YOLOv8剪枝 稀疏训练+group_taylor剪枝测试精度仅掉0.5个点，速度提高6.5fps！

YOLOv8与模型剪枝和知识蒸馏的邂逅

在损失项中增加对BN层的缩放系数γ和偏置项β的稀疏约束，λ系数越大，稀疏约束越严重Lxy∑​lfxyλ1​γ∑​gγλ2​β∑​gβ对于L1​gγ∣γ∣gβ∣β∣如果直接修改YOLOv8的损失，不方便控制L只传导对BN的参数更新，因此，采用修改BN的梯度的方式修改。

yolov8剪枝实践

torch-pruning库是一个开源的模型剪枝库，yolov8是是一个2年前较为先进的目标检测模型。在torch-pruning库中有很多模型剪枝案例，本文以yolov8剪枝代码为案例进行分析，代码路径在torch-pruning项目下examples\yolov8\yolov8_pruning.py。本博文基于官方代码对coco128数据进行剪枝尝试，发现剪枝后的map有6个点的下降，这主要是coco128数据不够，同时官方的剪枝代码训练参数不够灵活。最终提出了修改意见，也对代码中关键部分进行分析。

当你在边缘设备或移动端部署一个大模型时，最大的阻碍往往不是算法，而是模型太“胖”：体积大、推理慢、功耗高。这时候，剪枝和稀疏化技术就派上用场了。通过“剪掉”模型中那些对结果影响不大的神经元或通道，我们可以大幅压缩模型体积，同时尽可能保留原有性能，甚至在某些任务上还能提速。

Jetson nano部署剪枝YOLOv8

以yolov8目标检测为例子，跑通剪枝全流程，帮助自己更好的理解剪枝和应用在自己的任务中

本文在官方yolov8.2的基础上进行剪枝。

注意力机制增强特征选择能力优化C2f结构提升特征提取效率动态卷积适应复杂场景变化双向特征金字塔实现多尺度深度融合解耦检测头优化任务分配实验表明，改进模型在COCO数据集上mAP提升7.0%，同时保持实时检测速度。这些模块化改进方案可根据实际需求灵活组合，为不同应用场景提供定制化解决方案。代码实现已开源：https://github.com/username/enhanced-yolov8。

训练完成后，最佳权重保存路径为：runs/detect/train/weights/best.pt，如果多次运行命令runs/detect/train2,runs/detect/train3文件夹生成只需要到数字最大文件夹查看就可以找到模型。经过上面训练可以使用模型做一步部署，比如使用onnx模型在嵌入式部署，使用engine模型在jetson上deepstream部署，使用torchscript模型可以在C++上部署等等。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。

YOLOv11在目标检测领域实现重大突破，通过动态骨干网络(Dyna-Backbone)和FPN++架构，在保持高帧率(≥60FPS)的同时提升小目标检测精度(AP_S提升5.6%)。创新采用CIoU++损失函数和类别平衡Focal Loss，结合Mosaic-Plus数据增强，参数量减少18%至6.5M。实验显示，该模型在COCO数据集上实现更高mAP，特别适合移动端部署，Jetson Xavier平台能耗比优化至3.2W·ms⁻¹，支持目标检测、实例分割等多任务场景。关键创新包括动态深度调整和双向特征金

基于yolo11+botsort的实时多目标追踪定位停留分析