libfacedetection 纯 Rust 重写实录：facedetect_rs 从标量骨架到 10.41x AVX2 加速的完整迁移与优化路径

• 计算机视觉
• 人工智能
• 深度学习

导读

本文基于仓库 rust/docs/rs-status.md 的完整迁移日志，逐段复盘libfacedetection的纯 Rust 实现facedetect_rs：从cargo init的空壳骨架，到加载真实 53 层静态 CNN 模型、跑通完整前向网络与 decode/NMS、再到以 AVX2 runtime dispatch 将单图推理从397.116 ms压到38.136 ms（10.41x 加速）的全过程。读完本文，你将掌握一条可复制的"数据布局先行、模型期预打包、workspace 复用、分阶段 benchmark、热点 kernel 专项 SIMD"的 Rust 高性能工程路线，并了解其中每一次失败实验与负优化记录。

这是一条不依赖任何第三方加速库（无 ndarray、无 rayon、无 OpenCV）的纯 Rust 优化路径：SIMD 只使用标准库std::arch的 AVX2 intrinsic，且全部置于运行时 CPU 特性检测之后，非 AVX2 平台自动回退到标量实现。

facedetect_rs 端到端检测流水线架构：从 DynamicImage 输入、AVX2 fused conv0、Backbone（PW/DW/Pool）、FPN + cls/reg/kps/obj 多头，到 Decode/NMS 与 C 兼容结果缓冲输出，Detector 持有全部可复用工作区。

一、迁移背景：为什么要在 Rust 里重写一个人脸检测器

1.1 三条参考路径与四个核心问题

在 Rust 迁移之前，仓库已经存在三条可对照的实现线（见 rust/docs/rs-migration-execution-plan.md）：

迁移计划要回答四个问题：

1. 能否在不引入第三方运行时依赖的前提下，用 Rust 实现这个固定结构（YuNet 风格）的检测器？
2. Rust 能否精确复刻facedetect_cnn的 result buffer 行为？
3. 稳定的 Rust 加上严格隔离的unsafeSIMD，能否逼近现有 Highway 的性能上限？
4. 把所有权、工作区复用和 kernel 调度移入 Rust 之后，哪些性能想法变得更容易或更难？

一个关键事实是：优化的目标形状早已在 Highway 线被证明——持久化的模型持有 packed pointwise 计划、调用方持有/线程本地工作区、output-parameter 层 API、尽可能融合 ReLU、直接 decode flatten、阶段与热点 benchmark 循环。Rust 线要做的是"复用这些教训，而不是重新发现它们"。

1.2 三条硬约束

• 依赖策略：第一版只允许 Rust 标准库 +imagecrate（图片加载解码）+std::arch/core::archintrinsic + build script 生成模型数据；热路径禁止 ndarray、rayon、opencv 或 benchmark crate，禁止把 nightly-only 的可移植 SIMD 作为主要实现策略。
• 正确性策略：标量 kernel 参考测试 → Rust kernel 与 C++/Highway 张量对拍 → 网络中间张量对比（backbone/heads/decode）→ 公共 API result buffer 对齐。result buffer 布局为第一个 int 是 face count，每张脸 16 个 short，最大 1024 张，缓冲大小 0x9000 字节。
• 性能策略：不迷信"Rust 天生快"，路线是 标量正确性 → 分配与工作区控制 → packed pointwise 数据布局 → 目标平台 SIMD → 形状专用 kernel → 可选线程与更深层融合。

二、第一块里程碑：crate 骨架、安全 API 与 C ABI 脚手架

2.1 骨架与公共常量

迁移的第一刀是cargo init --lib --name facedetect_rs与安全 API 骨架：

• Detector::detect(&image::DynamicImage)——最简入口，直接接收imagecrate 解出的动态图像；
• Detector::detect_path(...)——传路径的文件入口；
• 低层detect_rgb(...)/detect_bgr(...)——面向已持有解码字节的调用方；
• 兼容入口detect_into(...)——写入调用方提供的 C 兼容 result buffer；
• C ABI 脚手架facedetect_rs_cnn(...)；
• 与 C++/Highway API 对齐的结果缓冲常量（rust/src/result.rs）：

FACEDETECTION_RESULT_BUFFER_SIZE = 0x9000 FACEDETECTION_RESULT_MAX_FACES = 1024 FACEDETECTION_RESULT_STRIDE_SHORTS = 16

骨架阶段的行为是：校验输入、写出合法的空结果缓冲，但还不运行 CNN 模型。第一份验证记录是cargo test通过 7 个单元测试与 1 个 doctest。

2.2 如今的 API 面貌

骨架最终长成了 rust/README.md 中展示的极简形式：

use libfacedetection_rs::{image, Detector}; fn main() -> Result<(), libfacedetection_rs::DetectError> { let image = image::open("face.jpg")?; let mut detector = Detector::new(); let detection = detector.detect(&image)?; println!("faces: {}", detection.face_count()); for face in detection.faces() { println!( "score={:.2} box=({}, {}, {}, {})", face.score, face.x, face.y, face.width, face.height ); } Ok(()) }

Detector持有模型与可复用工作区（rust/src/detector.rs 中的Workspace聚合了NetworkWorkspace、BackboneOutputs、HeadOutputs、DecodedOutputs、DetectionOutputWorkspace），因此文档明确要求：创建一个 detector 并复用，而不是每帧新建。

三、地基：Blob 张量容器与标量 kernel 族

3.1 HWC + 8-lane padding 的 Blob

第二个 slice 的目标是在模型迁移前先确立 tensor 与 kernel 的 API 形状，"避免未来重写"。核心数据结构是 rust/src/blob.rs 中的Blob：

• HWCf32存储（height × width × channel）；
• channel 维度padding 到 8 的倍数（padded_channels用div_ceil(8)计算channel_step），这是为 AVX2 宽 lane 准备的基线；
• resize用于清零语义的分配，resize_for_overwrite用于工作区复用（形状容量允许时刻意保留旧值，从单元测试resize_for_overwrite_reuses_existing_values_when_shape_is_same可见该语义被显式锁定）；
• 不可变/可变视图BlobView/BlobViewMut，kernel 只操作视图、不持有所有权。

测试blob_pads_channels_to_avx2_width验证了10channel 会被 pad 到channel_step == 16，数据长度2*3*16——这是后续所有 SIMD kernel 能确定性工作的前提。

3.2 首批标量 kernel

kernels::scalar提供了五个基础算子：relu_in_place、add_to、pointwise_1x1_to、depthwise_3x3_to、max_pool_2x2_s2_to，外加max_pool_output_size。

这一轮定下的性能形状决策值得注意：

• kernel 写进调用方所有的BlobViewMut输出；
• pointwise/depthwise/maxpool kernel不分配内存；
• padding lane 由写入方清零，保证未来 SIMD 读取结果确定；
• imagecrate 只停留在 API/解码边界，热 kernel 全部作用于视图。

验证：cargo test14 个单元测试 + 1 个 doctest 通过。

四、Filter/Model/PointwisePlan：把打包成本前移到加载期

第三个 slice 的核心洞察来自 Highway 线：pointwise 权重的打包（packing）应该在模型/滤波器加载期完成，而不是每次推理。

实现的抽象（源码对应filter.rs/model.rs）：

• FilterKind：Pointwise/Depthwise二值；
• ConvInfo：C++ConvInfoStruct导入契约的 Rust 侧等价物；
• Filter：持有拷贝后的 padded 权重与紧凑 bias，记录with_relu，为 pointwise 滤波器创建持久化PointwisePlan；
• PointwisePlan：channels >= 16 && out_channels >= 16时走Packed路径，否则小输出层（1/4/10 通道的 head）走Primitive，避免 padding 浪费；
• PackedPointwiseFilter：权重按[input_channel][padded_output_channel]存储，默认 8-lane 打包（对齐 AVX2 基线）；
• Model：持有已加载滤波器，filter(index)访问，按已知 53 滤波器模型形状预留；
• layers：convolution_to、convolution、depthwise_pointwise_to三个 output-parameter 层包装。

验证记录：cargo test21 个单元测试 + 1 个 doctest；cargo clippy --all-targets -- -D warningsclean。这一轮确立的结论是：Rust 线拿到了和 Highway 一样的关键性能接缝——持久化 packed pointwise 计划 + output-parameter 层 API。

五、静态模型数据导入：build.rs 从 C++ 权重生成 Rust 数据

5.1 单一事实源原则

第四个 slice 解决了"第二份大权重文件"问题：直接以现有生成的 C++ 权重作为单一事实源，不手工维护 Rust 权重。做法是 rust/build.rs 在构建期：

1. 读取../src/facedetectcnn-data.cpp；
2. 解析所有float name[...] = {...};数组；
3. 解析param_pConvInfo[53]；
4. 校验每个被引用的权重/偏置数组长度；
5. 生成OUT_DIR/model_data.rs，由model::load_static_model在运行时经Filter::load装入全部 53 个滤波器，保留 pointwise/depthwise 类型与with_relu。

build.rs 还通过cargo:rerun-if-changed声明了对facedetectcnn-data.cpp的依赖，源文件变化会自动触发重新生成。

5.2 三个性能形状决策

• 权重解析发生在构建期，运行时零解析成本；
• 运行时模型构造把权重拷贝一次进 paddedBlob存储；
• pointwise 打包仍在Filter::load支付一次；
• 生成的数值常量数据与手写代码做 lint 隔离，手写部分维持严格 clippy。

验证：cargo test23 个单元测试 + 1 个 doctest，clippy clean。Detector的单元测试detector_owns_static_model进一步锁定model.len() == CONV_LAYER_COUNT。

六、图像变换与标量 backbone：跑起真实前向图

第五个 slice 的目标是"开始运行真实的 Rust 前向图，而不只是加载权重"：

• input模块新增PixelFormat（Rgb/Bgr）、image_to_initial_blob/image_to_initial_blob_to，完成 3x3/S2/P1 的图像 gather 到 32 通道初始张量；
• layers补齐max_pool_2x2_s2_to；
• network模块新增BackboneOutputs、NetworkWorkspace、forward_backbone/forward_backbone_to，标量跑通滤波器0..=22；
• Detector现在持有input、NetworkWorkspace、BackboneOutputs，detect_rgb/detect_bgr先把调用方图像变换进初始 blob，再执行真实标量 backbone，最后写当前仍为空壳的公共结果。

关键性能决策：

• 图像变换写入 detector 持有的Blob存储；
• backbone 写入可复用工作区 blob；
• 大型 pointwise 层使用模型持有的 packed pointwise 计划；
• RGB/BGR 由PixelFormat表达，公共image路径不做多余的通道交换拷贝。

96x96 输入上的 backbone 冒烟信号：

input image: 96x96 initial blob: 48x48x32 fb1: 12x12x64 fb2: 6x 6x64 fb3: 3x 3x64

验证：cargo test28 个单元测试 + 1 个 doctest，clippy clean。

七、FPN 与 raw heads：从 backbone 到三类检测头

第六个 slice 把真实前向路径从 backbone 延伸到 FPN 与检测头，同时刻意把 decode/NMS/结果打包留到下一轮。

实现要点：

• layers::upsample_x2_add_to——融合最近邻 x2 上采样与 lateral add，避免中间上采样 blob；
• HeadOutputs——cls[3]/reg[3]/kps[3]/obj[3]三尺度输出；
• NetworkWorkspace新增可复用head_pointwise与head_branch，避免逐 head 临时分配；
• forward_heads_to的层间接线：branch5来自fb3，add5/branch4来自fb2，add4/branch3来自fb1；输出层级顺序固定为 level 0 = stride 8、level 1 = stride 16、level 2 = stride 32；
• forward_network_to= backbone + raw heads，Detector安全 API 现在完整执行 图像变换 → backbone → FPN → raw heads，再写空壳结果。

96x96 输入的 raw network 冒烟信号：

level 0: cls=12x12x1 reg=12x12x4 kps=12x12x10 obj=12x12x1 level 1: cls= 6x 6x1 reg= 6x 6x4 kps= 6x 6x10 obj= 6x 6x1 level 2: cls= 3x 3x1 reg= 3x 3x4 kps= 3x 3x10 obj= 3x 3x1

验证：cargo test30 个单元测试 + 1 个 doctest，clippy clean。

八、decode、NMS 与结果打包：端到端标量路径打通

第七个 slice 用真实的 C++ 后处理形状替换空壳结果：

• postprocess模块新增DecodedOutputs：
  • stride 8/16/32 head 的 meshgrid 生成；
  • bbox decode；
  • keypoint decode；
  • cls/obj 的 sigmoid；
  • 直接 flatten/concat 进 vector blob；
  • detection_output_to：sqrt(cls * obj)置信度、置信度过滤、稳定降序 score 排序、top-k、NMS、keep-top-k；
• DetectionOutputWorkspace复用候选与人脸选择 vector；
• result模块新增结构化Face、Detection::faces()、C 兼容结果缓冲打包：int32人脸数、16-short 记录、score 放大 100 倍、bbox + 5 个关键点（见 rust/src/result.rs）；
• Detector安全 API 现在完整执行 图像变换 → 全标量网络 → decode → detection output → 结果打包。

性能形状决策：

• decode 临时 blob 常驻DecodedOutputs，每次调用零 decode 临时分配；
• detection output 复用 detector 工作区持有的候选/选中 vector；
• NMS 直接遍历已排序候选列表，而不是反复 erase vector 头部；
• 公共image路径依然不做 RGB/BGR 交换拷贝。

验证：cargo test35 个单元测试 + 1 个 doctest，clippy clean。至此 Rust 已具备从image::DynamicImage到结构化Face与遗留 result buffer 的端到端标量检测路径。

九、热路径复用与本地 benchmark：给优化装上仪表盘

第八个 slice 服务于后续所有优化——先能测，才能改：

• Detector::detect对DynamicImage::ImageRgb8直接as_rgb8借用存储，只有源图不是 RGB8 时才to_rgb8()兜底，RGB8 调用方省掉一次额外图像缓冲分配/拷贝；
• postprocess新增meshgrid_to，stride 8/16/32 prior blob 常驻DecodedOutputs，跨调用复用；
• 新增 rust/examples/benchmark.rs：加载一张图、复用一个Detector、一次 warmup、报告 N 次迭代的 total/avg 毫秒。只依赖std::time::Instant与std::hint::black_box，不引入 Criterion 等 dev 依赖。

运行方式（从rust/目录）：

cargo run --release --example benchmark -- path\to\face.jpg 100

验证：cargo test35 个单元测试 + 1 个 doctest，clippy clean。

十、性能主战场：从 397.116 ms 到 38.136 ms 的八步优化阶梯

10.1 全程一览

所有数字均来自同一张基准图images\cnnresult.png（仓库根目录，命令从rust/目录执行、传..\images\cnnresult.png），release 构建、warmup 后 50 次迭代：

initial scalar packed pointwise baseline: 397.116 ms 1.00x packed pointwise 标量循环重排: 159.915 ms 2.48x AVX2 pointwise + AVX2 depthwise: 72.482 ms 5.48x 小 head 优化 + AVX2 maxpool: 60.605 ms 6.55x 全 head packed + 多 accumulator AVX2: 47.314 ms 8.39x AVX2 fused conv0 生产路径: 46.707 ms 8.50x depthwise ReLU fusion: 42.111 ms 9.43x depthwise interior fast path: 38.136 ms 10.41x

下面按 rs-status 的 slice 顺序拆解每一步的技术内容与动机。

10.2 第一步：packed pointwise 标量循环重排（2.48x）

kernels::scalar::pointwise_1x1_packed_to的改动是没有一行 SIMD 的纯循环顺序优化：

1. 输出像素初始化时，从 packed bias一次性拷贝整段输出通道；
2. 外层遍历输入通道；
3. 每个输入通道流式读取一条连续的 packed 输出通道权重行（[padded_output_channel]）；
4. 内层对输出通道连续累加；
5. padded 输出 lane 由从零 bias/权重确定性写出。

访问模式变成对缓存与预取友好的线性流，397.116 ms → 159.915 ms。

负优化记录：手工 8-lane 标量 unroll（chunks_exact_mut(8)）在同一张图回退到约347.541 ms并被回退——编译器对紧凑 indexed 内层循环生成的 release 代码更好，手动展开反而破坏优化或增加寄存器压力。

10.3 第二步：AVX2 pointwise/depthwise（5.48x）

• kernels::pointwise_1x1_packed_to在 x86/x86_64 检测到 AVX2 时分派到 AVX2，否则回退标量 packed 循环；
• kernels::depthwise_3x3_to对 8-channel 倍数的 depthwise 张量走 AVX2，其余形状或非 AVX2 CPU 走标量；
• kernels::x86用std::arch封装 AVX2 intrinsic，unsafe局部化，由形状断言 + 运行时特性检查双重守卫。

分派层的源码形态可见 rust/src/kernels/mod.rs：每个公共 kernel 入口都先做x86::has_avx2()检查，注释明确写出 "guarded by runtime AVX2 detection"。

新增 rust/examples/benchmark_phases.rs 报告 input/network/decode/output 分段耗时。此阶段端到端72.482 ms，分段为input_ms: 2.676 / network_ms: 69.376 / decode_ms: 0.744 / output_ms: 0.039。

负优化记录：AVX2+FMA pointwise 在相同图像回退到约120.326 ms，劣于 AVX2 mul+add 的115.892 ms，FMA 路径被回退——理论吞吐不等于实际端到端收益。

10.4 第三步：小 head 优化 + AVX2 maxpool（6.55x）

benchmark_network_groups.rs把剩余network_ms拆成可行动的组。优化前信号：

unit_7_10: 12.468 ms head_out_l3: 11.045 ms pool1: 4.219 ms pool2: 3.680 ms

两处改动：

• kernels::scalar::pointwise_1x1_to增加<= 10输出通道的栈缓冲小输出路径，专门服务刻意不 packed 的 cls/reg/kps/obj head；
• kernels::max_pool_2x2_s2_to对 8-channel 倍数张量分派到新增的 AVX2 maxpool kernel（max_pool_2x2_s2_avx2_to）。

优化后：head_out_l3降到约 8.8–9.0 ms，pool1/pool2各降到约 0.8 ms，整体60.605 ms。

负优化记录：单独 AVX2 ReLU 测试未产生稳定收益，被回退。

10.5 第四步：multi-accumulator AVX2 + 全 head packed（8.39x）

两处协同改动：

• filter::should_use_packed_pointwise阈值放宽为只要channels >= 16就打包——即使输出只有 1/4/10 通道的 head 也走模型期打包 + AVX2 分派。教训是：值不值得 packed 不只看输出通道，还要看空间大小与调用次数，小输出层在大 feature map 上依然可能是大热点；
• pointwise_1x1_packed_avx2_to增加16/32/64 输出宽度的 multi-accumulator 专用路径：每个输入通道只 broadcast 一次，同时更新多个输出向量，减少 broadcast 与循环控制开销；其余 padded 输出宽度保留动态回退。

结果47.314 ms，组级信号：head_out_l3 ~4.8 ms / unit_7_10 ~13.0 ms / dp_1_2 ~9.2 ms / conv0 ~6.5 ms。验证：38 个单元测试 + 1 个 doctest，clippy clean。

10.6 第五步：第一次融合实验失败 + 结果打包清理

input::image_to_initial_conv_to直接从 3x3/S2 图像窗口计算第一层 pointwise 卷积、跳过 32 通道 initial blob 物化，并带有与image_to_initial_blob_to + convolution_to的对拍测试。

关键负结果：把标量fused initial conv 接入Detector后公共 benchmark 回退到约58.476 ms——少写一个中间 blob 抵不过丢失 AVX2 packed pointwise 的收益。fused 路径被保留为未来 AVX2 fused 实现的正确性参考，但不进入生产路径。

同时result::write_faces_to_result_buffer不再清空整个0x9000缓冲再写 count 与 face records，而是贴近 C++ 风格：face_count之外的陈旧 records 本应被忽略。

10.7 第六步：AVX2 fused conv0（8.50x）

把失败教训转化为真正的 AVX2 fused 入口：

• kernels::image_to_initial_conv_3x3_s2_to在 conv0 为固定32 -> 16packed 形状时分派 AVX2，否则回退标量 fused 实现；
• kernels::x86::image_to_initial_conv_3x3_s2_avx2_to直接从每个 3x3/S2 图像窗口累加 conv0：两个 8-lane accumulator 对应 16 个 conv0 输出，写出前应用 ReLU，并带interior fast path让绝大多数像素跳过逐样本边界检查；
• network::forward_network_from_pixels_to生产路径改走 fused conv0。

最终46.707 ms（fused_sum_ms: 45.727）。结论：fusion 必须与底层 kernel 能力一起评估——少一次内存写不必然战胜丢失 SIMD 的代价。

10.8 第七步：depthwise ReLU 融合（9.43x）

去掉 depthwise 之后的独立 ReLU pass：ReLU 本身计算便宜，但独立 pass 会重新读写整个 feature map，融合省下的是内存流量而非算术量。

• kernels::depthwise_3x3_relu_to分派 AVX2，回退标量 fused depthwise+ReLU；
• layers::convolution_to对带do_relu的 depthwise 层直接走 fused kernel，跳过后续全缓冲 ReLU pass。

结果42.111 ms。组级信号：conv0 5.265 / dp_1_2 6.499 / unit_7_10 9.972 / fb1_11_14 4.305 / head_out_l3 4.812。

10.9 第八步：depthwise interior fast path（10.41x，收官）

最后一轮低风险优化针对 depthwise 边界处理：

• kernels::x86::depthwise_3x3_avx2_impl增加非边界像素的 interior fast path：手工展开 9 个 depthwise sample，不做边界判断；边界像素继续走通用 boundary-aware 路径；
• add_depthwise_3x3_sample是重复 load/mul/add 模式的小型 AVX2 辅助。

最终38.136 ms，分段为input_ms: 2.617 / network_ms: 37.586 / fused_network_ms: 37.843 / decode_ms: 0.720 / output_ms: 0.040 / sum_ms: 40.964 / fused_sum_ms: 38.603。验证：39 个单元测试 + 1 个 doctest，clippy clean。

性能优化阶梯：从完整标量基线 397.116 ms 到 interior fast path 的 38.136 ms，每一步都有实测 avg_ms 与相对加速比，其中包含标量 fused conv0、AVX2+FMA 等被记录并回退的失败分支。

十一、四次失败实验的复盘价值

性能工程最反直觉的部分是"看起来应该更快"的方案不一定更快。rs-status 与 rust/docs/rs-performance-optimization-report.md 完整记录了四例负优化：

这些记录的实践原则是：不要用"理论上更快"替代实测；优化实验要小、可回退、可解释。

十二、workspace 与unsafe边界管理

12.1 零热路径分配

Detector持有模型与全部热路径工作区：input/fused input、backbone outputs、network workspace、head outputs、decoded outputs、detection output workspace、result buffer。DecodedOutputs缓存 stride 8/16/32 的 prior meshgrid，DetectionOutputWorkspace复用 candidate/selected vector——因此重复detect调用不反复分配大块 tensor。

12.2 小而清晰的硬件边界

SIMD 组织方式为三层：

• kernels::mod（rust/src/kernels/mod.rs）：平台检测与 fallback 分派；
• kernels::x86：AVX2 intrinsic，unsafe集中且被形状断言与has_avx2()守卫；
• kernels::scalar：保留可读、可测、跨平台的参考实现。

上层layers与network不直接接触 intrinsic。正如报告所总结：Rust 的unsafe不是用来绕开类型系统，而是用来建立一个小而清晰的硬件边界，边界外保持普通 Rust API 与可测试语义。

十三、验证纪律与分阶段 benchmark 方法

每轮优化后都必须跑：

cargo test cargo clippy --all-targets -- -D warnings

最终验证状态：39 个单元测试 + 1 个 doctest 通过，clippy clean。benchmark 方法要点（三个 example 工具）：

cargo run --release --example benchmark -- ..\images\cnnresult.png 50 cargo run --release --example benchmark_phases -- ..\images\cnnresult.png 50 cargo run --release --example benchmark_network_groups -- ..\images\cnnresult.png 50

设计原则：release 构建；单图 warmup 后重复 N 次；复用同一个Detector（模型加载与 workspace 分配不进热路径）；只用std::time::Instant+std::hint::black_box，不引入 Criterion；phase benchmark 拆 input/network/decode/output；network group benchmark 继续拆 backbone/FPN/head 子区域。基准图统一为images\cnnresult.png，其检测稳定输出faces: 45。

十四、当前瓶颈、后续方向与结论

14.1 剩余瓶颈

最终 phase 数据显示剩余耗时几乎全在network_ms（约 37.6 ms，占fused_sum_ms38.6 ms 的 97% 以上），decode（0.720 ms）与 output（0.040 ms）已不是优化目标。rs-status 结尾明确列出进一步收益需要更大的架构级动作：

• 融合完整 depthwise-pointwise block；
• 对大 feature map 多线程并行；
• 与 Highway/C++ 逐层对比选择下一个目标；
• ARM/aarch64 NEON 路径（rust/docs/rs-migration-execution-plan.md 的 Phase 8 已规划：先标量 fallback 验证，再补 pointwise/depthwise NEON kernel）；
• 更激进的 output/head fusion。

14.2 结论

从rust/docs/rs-status.md的十三轮 slice 可以看到一条完整的高性能 Rust 迁移路线：先跑通真实端到端路径（crate 骨架 → Blob/kernel → 静态模型导入 → backbone → FPN/heads → decode/NMS），再用数据定位热点（benchmark → phases → network groups），先改循环顺序与数据布局（2.48x），再写 SIMD（5.48x → 8.39x），最后做低风险融合与 fast path（8.50x → 10.41x）。每一步都有测试与 clippy 守护，每一次失败都被诚实记录。

最终交付的是一个 API 极简、无第三方加速依赖、AVX2 运行时自适应、性能逼近既有 Highway 优化版的 pure Rust 人脸检测器：libfacedetection_rscrate（rust/Cargo.toml 中版本0.1.0、edition 2024、MSRV 1.85），依赖仅imagecrate（默认 features 关闭，仅开 jpeg/png）。正如性能报告所总结的：最值得保留的经验不是某一条 intrinsic，而是"优化纪律本身"——这正是本文想传递的完整案例。

• 计算机视觉
• 人工智能
• 深度学习