YOLO骨干网络改进-FBNetV5硬件感知的神经架构搜索在YOLOv8中的应用

一、引言1.1 研究背景随着深度学习在边缘设备上的广泛应用，如何在有限的计算资源下设计高效的神经网络架构成为研究热点。传统的手工设计网络架构（如VGG、ResNet、CSPDarknet等）虽然在精度上取得了不错的成绩，但往往难以针对特定硬件平台进行最优的效率优化。神经架构搜索（NAS, Neural Architecture Search）通过自动化的方式搜索最优网络架构，近年来取得了显著进展。然而，早期的NAS方法通常只关注模型精度，忽视了硬件延迟、功耗等实际部署约束，导致搜索出的架构在实际设备上运行效率低下。硬件感知的神经架构搜索（Hardware-Aware NAS）应运而生，它将硬件性能指标（如延迟、功耗、内存占用）直接纳入搜索目标，能够搜索出在特定硬件平台上精度和效率平衡最优的网络架构。1.2 FBNetV5的核心思想FBNetV5是Meta AI（原Facebook AI）在2021年提出的硬件感知NAS方法，是FBNet系列的第五代作品。FBNetV5的核心创新在于：一次搜索，多平台部署：通过同时考虑多种硬件平台的延迟约束，搜索出的架构可以在多个平台上高效运行动态分辨率搜索：不仅搜索网络架构，还搜索各层的最优分辨率，进一步提升效率搜索效率高：基于可微NAS方法，搜索过程仅需数天即可完成