摘要：为了提高百香果检测精度，并将深度学习模型部署在移动平台上，实现快速实时推理。本研究提出了一种基于改进YOLOv8s的轻量化百香果检测模型。使用聚集和分发机制(GD)替换颈部特征融合网络，提高模型对百香果图像的特征信息跨层融合能力和模型泛化能力；通过基于层自适应幅度的剪枝(LAMP)修剪模型，损失一定精度换取模型体积，减少模型参数量，以实现在嵌入式设备上快速检测；运用知识蒸馏学习策略弥补因剪枝而损失的检测精度，提高模型检测性能。试验结果表明，对于自然环境下采集的百香果数据集，改进后模型参数量和内存占用量相比原YOLOv8s基线模型分别降低63.88%和62.10%，精确率(Precision)和平均精度值(MAP)相较于原模型分别提高0.9和2.3个百分点，优于其他对比模型。在Jetson Nano和Jetson Tx2嵌入式设备上实时检测帧率(FPS)分别为5.78和19.38f/s，为原模型的1.93和1.24倍。因此，本文提出的改进后模型能够有效检测复杂环境下百香果目标，为实际场景中百香果自动采摘等移动端检测设备部署和应用提供理论和技术支持。
文章目录
0 引言
1 数据集建立
2 检测模型改进
2.1 YOLOv8模型
2.2 YOLOv8模型改进
2.2.1 颈部网络重新构造
2.2.2 模型剪枝
2.2.3 知识蒸馏
2.3 实验环境
2.4 模型评价指标
3 结果与分析
3.1 不同颈网络对比试验
3.2 模型剪枝试验
3.3 知识蒸馏试验
3.4 消融试验
3.5 与不同检测模型对比试验
3.6 改进前后识别效果对比
4 结论
