树莓派4B部署YOLOv5：轻量化模型与实时目标检测实战

1. 为什么选择树莓派4B部署YOLOv5？

在嵌入式设备上跑深度学习模型一直是个技术活。我去年接手了一个智能门禁项目，需要在树莓派4B上实现实时人脸检测。当时尝试了多种方案，最终YOLOv5的轻量化版本以28FPS的稳定表现胜出。这个过程中积累了不少实战经验，今天就来完整分享从模型训练到树莓派部署的全流程。

树莓派4B采用博通BCM2711芯片，搭载四核Cortex-A72处理器，主频1.5GHz。虽然比不上GPU服务器，但经过优化后完全可以胜任轻量级目标检测任务。实测表明，使用NCNN推理框架配合适当剪枝的YOLOv5s模型，在640x480分辨率下能达到20-30FPS的实时性能。

关键提示：不要直接使用原生YOLOv5模型，必须经过轻量化处理。原始YOLOv5s在树莓派上仅有3-5FPS，完全达不到实时要求。

2. 模型轻量化实战方案

2.1 模型选型与剪枝策略

YOLOv5家族有多个尺寸的模型（n/s/m/l/x），我们选择最小的YOLOv5n作为基础。但即便是这个"nano"版本，在树莓派上直接推理也只有10FPS左右。需要通过以下手段进一步优化：

1. 通道剪枝：使用Torch-Pruning工具对冗余通道进行结构化剪枝。建议设置30%-40%的剪枝率，过高会导致精度断崖式下跌。我的经验公式是：

   code复制剪枝后参数量 ≈ 原始参数量 × (1 - 剪枝率)^2
   

2. 量化训练：采用QAT（Quantization-Aware Training）进行8位整数量化。注意要在训练时插入伪量化节点，这样部署时精度损失最小。

3. 注意力简化：原版的SPPF结构计算量较大，可以替换为更轻量的C3TR模块。这个改动能提升约15%的推理速度。

2.2 训练数据增强技巧

针对嵌入式设备的特性，训练时需要特别关注：

• 多使用马赛克增强（Mosaic Augmentation），提升小目标检测能力
• 将HSV色域扰动幅度调小（建议hsv_h=0.015, hsv_s=0.7, hsv_v=0.4）
• 添加随机模糊和噪声，模拟摄像头实际拍摄效果

我的最佳实践是先用COCO预训练，再用业务数据微调。比如车牌检测项目，先用COCO训练100轮，再用车牌数据训练5