yolov8 模型架构轻量化，极致降低参数量

模型轻量化加速是深度学习领域的重要研究方向，旨在减小模型的体积和计算复杂度，从而提高在资源受限设备上的运行效率，模型参数量在轻量化加速中扮演着至关重要的角色。

首先，模型参数量直接决定了模型的复杂度和存储空间需求。随着深度学习技术的不断发展，模型参数数量急剧增加，导致模型体积庞大，给存储和传输带来了巨大挑战。通过减少模型参数量，可以有效降低模型的体积，从而减小存储空间需求，使模型更容易在嵌入式设备和移动设备上部署。

其次，模型参数量对计算资源的需求有显著影响。在模型训练和推理过程中，参数量的大小直接决定了所需的计算量。减少模型参数量可以降低计算资源的消耗，提高计算效率，使得模型在资源受限设备上能够更快地完成训练和推理任务。

此外，模型参数量还影响着模型的泛化能力和鲁棒性。过多的参数可能导致模型过拟合，降低其泛化能力；而减少参数量则有助于防止过拟合，提高模型的鲁棒性。因此，在模型轻量化加速过程中，通过合理减少参数量，可以在保持模型性能的同时，实现模型的轻量化。

为了降低模型参数量，研究人员采用了多种方法，如剪枝、量化、蒸馏等。这些方法可以有效地移除模型中的冗余参数，降低模型的复杂度和存储空间需求。在剪枝过程中，研究人员会识别并移除模型中的冗余连接和权重较小的参数；在量化过程中，会将模型中的高精度参数转换为低精度参数，从而减少参数数量并降低计算复杂度；在蒸馏过程中，则会将大模型的知识转移到小模型中，使小模型在保持一定性能的同时减少参数量。

本文将从另外一个角度，即模型的结构设计方面，实现参数量的最小，并以YOLOV8为例子，通过模型结构的轻量化设计，在保证模型性能稳定不变的前提下极致的压缩参数量

一、设计思路

从模型结构看V8主要有两个大的模块构成，就是backbone和head模块，因此降低参数量我们就从这两模块开始

二、bakebone模块轻量化参数

1.CSPPC替换c2f卷积块

论文地址：https://arxiv.org/pdf/2303.03667.pdf

如上图，其中利用了PConv模块大量降低参数量

其中

PConv(部分卷积)的基本原理是利用特征图的冗余，从而减少计算和内存访问。具体来说，PConv 只在输入通道的一部分上应用常规卷积进行空间特征提取，而保留剩余通道不变。这种设计的优势在于:

1.减少计算复杂度:PConv 通过在较少的通道上进行计算，降低了浮点操作(FLOPs)的数量。例如，如果部分率设置为 1/4，则PConv的计算量只有常规卷积的 1/16.

2.降低内存访问:与常规卷积相比，PConv减少了内存访问量，这对于输入输出(/0)受限的设备尤其有益

3.保持特征信息流:尽管只对输入通道的一部分进行计算，但保留的通道在后续的逐点卷积(PWConv)层中仍然有用，允许特征信息在所有通道中流动

2.Down_wt替换backbone下采样模块

上图是ADown，其是在202402021最新发布的yolov9模型结构中提出的

检测头轻量化参数

论文地址：https://arxiv.org/pdf/2306.15988.pdf

主要改进机制:

1.底层特征融合: AFPN通过引入底层特征的逐步融合，首先融合底层特征，接着深层特征，最后整合顶层特征。这种层级融合的方式有助于更好地利用不同层次的语义信息，提高检测性能。

2,自适应空间融合;引入自适应空间融合机制(ASFF)，在多级特征融合过程中引入变化的空间权重，加强关键级别的重要性，同时抑制来自不同对象的矛盾信息的影响。这有助于提高检测性能，尤其在处理矛盾信息时更为有效。

3.底层特征对齐: AFPN采用渐近融合的思想，使得不同层次的特征在融合过程中逐渐接近，减小它们之间的语义差距。通过底层特征的

逐步整合，提高了特征融合的效果，使得模型更能理解和利用不同层次的信息。个人总结:AFPN的灵感就像是搭积木一样，它不是一下子把所有的积木都放到一起，而是逐步地将不同层次的积木慢慢整合在一起。这样一来，我们可以更好地理解和利用每一层次的积木，从而构建一个更牢固的目标检测系统。同时，引入了一种智能的机制，能够根据不同情况调整注意力，更好地处理矛盾信息。

模型结构轻量化参数对比

原yolov8参数：3011043

轻量化后参数：1436977

通过以上模块的替换使得模型参数降低至原来的一半不到，且精度不变，这是通过剪枝、蒸馏都没办到的