一、为什么YOLOv8在边缘端“跑不动”？
车辆检测是智能交通系统的核心任务，但把检测模型塞进边缘设备时，开发者往往会遇到一个尴尬的局面：YOLOv8精度够用，但计算开销压不下去。
根据Ultralytics官方文档的基准数据，YOLOv8n的参数量约为3.0M，GFLOPs约为8.1，在桌面GPU上轻松跑到数百FPS，但移植到Jetson Nano或树莓派这类边缘平台时，帧率会急剧下降。更关键的是，YOLOv8的原始CSPDarknet53主干网络存在显著的结构冗余——这一点在多项边缘部署研究中被反复提及。
核心矛盾：直接换一个更轻的主干网络（如MobileNetV3或GhostNet）确实能把参数量降下来，但特征表达能力也会同步退化，小目标和中远距离车辆的检测精度会明显下滑。
2026年4月发表于IEEE会议的一项研究正是针对这一矛盾提出的解决方案：用EfficientNet替换YOLOv8主干，再嵌入坐标注意力机制来补偿精度损失。该研究在自建车辆检测数据集上的实验结果显示，参数量从3.157M降至2.267M（降低约28%），计算量从8.9 GFLOPs降至7.0 GFLOPs（降低超21%），同时保持了精度0.652、mAP@0.5为0.559的竞争性水平。
这个思路的核心不在于“换主干”本身，而在于换完之后如何把丢掉的精度找回来
