面向汽车易损路用户安全的边缘 AI 检测：通过知识蒸馏实现可部署

在边缘硬件上部署易损路用户 (VRU) 安全的准确目标检测需要在模型容量与计算约束之间进行权衡。大型模型实现高准确率，但在 INT8 量化后会失败，而小型模型则牺牲检测性能。本文提出一种知识蒸馏 (KD) 框架，训练紧凑的 YOLOv8-S 学生网络 (1120 万参数) 模仿 YOLOv8-L 教师网络 (4370 万参数)，实现 3.9 倍压缩，同时保持量化鲁棒性。我们在完整规模的 BDD100K (70000 张训练图像) 上进行评估，使用后训练量化到 INT8。教师网络在 INT8 下会出现灾难性性能下降 (-23% mAP)，而 KD 学生网络仅下降 5.6% mAP。分析表明，KD 传递的是精度校准而非原始检测容量：KD 学生网络在 INT8 下实现 0.748 的精度，而直接训练的学生网络为 0.653，相当于相同召回率下的 14.5% 提升，误报率降低 44%。在 INT8 下，KD 学生网络的精度 (0.748) 超过了教师网络的 FP32 精度 (0.718)，且模型体积仅为原来的 3.9 倍。这些发现确立了知识蒸馏是面向边缘硬件部署准确、安全关键 VRU 检测所必需的技术。