本项目针对 YOLOv5 目标检测模型进行轻量化优化，旨在减少模型计算量和存储需求，提高在嵌入式设备和移动端的推理速度，同时保持高检测精度。主要采用 GhostNet 和 MobileNetV3 作为主干网络，以替代原 YOLOv5 的网络结构，提高计算效率并减少参数量。
核心优化点
GhostNet 轻量化改进：
通过 GhostModule 替换标准卷积层，引入GhostNet主干网络，有效减少计算量和参数数量。
采用 深度可分离卷积 进一步降低计算复杂度。
结合 ReLU6 和 Hard-Swish 激活函数，提高非线性表达能力。
MobileNetV3 轻量化改进：
替换原 CSP 结构，采用 MobileNetV3作为骨干网络。
使用SE注意力机制，提升特征提取能力。
结合 h-swish 激活函数 和 轻量化倒残差，优化推理效率。
模型训练与优化：
采用蒸馏训练，利用完整 YOLOv5 模型指导轻量化模型训练，减少精度损失。
通过数据增强、混合精度训练和剪枝提高训练速度与模型推理效率。
在 COCO、VOC 数据集 进行训练测试，优化 Anchor 以适应不同检测目标。
部署与应用优化：
基于 TensorRT 进行模型加速，优化在 Jetson Nano、RK3399、树莓派等嵌入式设备 上的推理速度。
采用 ONNX + OpenVINO，使模型可高效部署到 边缘计算设备 和 移动端。
结合 FastAPI 和 Flask 搭建轻量级后端，实现目标检测 API 部署。
个人贡献
✅ 负责 GhostNet 和 MobileNetV3 轻量化优化及模型改进。
✅ 设计高效的训练策略，包括剪枝、量化、蒸馏等，优化推理速度。
✅ 进行 TensorRT 加速，实现高效推理并适配嵌入式设备。
✅ 搭建 API 接口，完成模型的服务化部署，使目标检测可以快速集成到实际应用中。
项目成果
🚀 模型大小相比原 YOLOv5 下降 40%+，推理速度提高 2-3 倍，适用于移动端和嵌入式应用。
📌 适配 Jetson Nano、树莓派、RK3399，实现高效目标检测部署。
🎯 在数据集上达到 接近原 YOLOv5 的 mAP，兼顾精度与速度。
本项目适用于 智能监控、无人机目标检测、工业检测、智能车牌识别等场景，如果您有类似的目标检测优化需求，欢迎合作！ 🚀