一种新颖的YOLOv8压缩框架：通过结构化剪枝和通道级蒸馏在边缘设备上实现实时航拍目标检测
计算机视觉与模式识别
2026-01-01 v3
摘要
在资源受限设备上高效部署用于航拍目标检测的深度学习模型，需要在不大幅牺牲性能的情况下进行显著压缩。在本研究中，我们为YOLOv8目标检测模型提出了一种新颖的三阶段压缩流程，集成了稀疏感知训练、结构化通道剪枝和通道级知识蒸馏（CWD）。首先，稀疏感知训练在模型优化过程中引入动态稀疏性，有效平衡了参数减少和检测精度。其次，我们利用批归一化缩放因子进行结构化通道剪枝，以消除冗余通道，显著减小模型大小和计算复杂度。最后，为了减轻剪枝带来的精度下降，我们采用CWD从原始模型迁移知识，使用针对中小目标检测定制的可调温度和损失加权方案。在VisDrone数据集上的大量实验证明了我们的方法在多种YOLOv8变体上的有效性。对于YOLOv8m，我们的方法将模型参数量从25.85M减少到6.85M（减少73.51%），FLOPs从49.6G降至13.3G，MACs从101G降至34.5G，而AP50仅下降2.7%。最终得到的压缩模型达到了47.9的AP50，并将推理速度从26 FPS（YOLOv8m基线）提升至45 FPS，从而能够在边缘设备上实现实时部署。我们进一步应用TensorRT作为轻量级优化步骤。虽然这导致AP50略有下降（从47.9降至47.6），但它将推理速度从45 FPS显著提升至68 FPS，证明了我们的方法在高吞吐量、资源受限场景中的实用性。
引用
@article{arxiv.2509.12918,
title = {A Novel Compression Framework for YOLOv8: Achieving Real-Time Aerial Object Detection on Edge Devices via Structured Pruning and Channel-Wise Distillation},
author = {Melika Sabaghian and Mohammad Ali Keyvanrad and Seyyedeh Mahila Moghadami},
journal= {arXiv preprint arXiv:2509.12918},
year = {2026}
}
备注
28 pages, 11 figures