本文整理了一份YOLO 模型速度优化分步检查清单，按模型轻量化→推理优化→硬件优化→验证层的优先级排序，每一项都包含操作内容、验证方法、验收标准，同时明确了精度损失容忍度（≤3%），你可以逐项勾选、逐项验证，确保在提升速度的同时，精度损失在可接受范围内。
YOLO 模型速度优化 Checklist
优化前提：已完成基础训练，有明确的基线数据（基线 FPS、基线 mAP@0.5），清楚当前部署的目标硬件（如 NVIDIA GPU、Intel CPU、移动端、边缘设备）。核心原则：
- 每轮仅优化1-2 个点，验证效果后再进行下一轮；
- 精度损失容忍度：≤3%（若超过，立即调整优化策略，如降低轻量化程度）；
- 优化顺序：先软件（模型 + 推理），后硬件（软件优化成本低、收益高，优先落地）。
一、 模型轻量化优化（基础层，必做）
| 序号 | 优化项 | 操作内容 | 验证方法 | 验收标准 | 完成状态 |
|---|---|---|---|---|---|
| 1.1 | 选择轻量化模型（优先级最高） | 1. 原始模型→官方轻量化模型： - 服务器端：YOLOv8m → YOLOv8s； - 通用场景：YOLOv8s → YOLOv8n； - 移动端 / 边缘设备：直接使用 YOLOv8n。 | 1. 推理速度测试：yolo predict model=新模型.pt source=test.jpg imgsz=640 device=目标硬件，记录 FPS；2. 精度测试：yolo detect val model=新模型.pt data=data.yaml，记录 mAP@0.5。 | 1. 速度提升：≥30%；2. 精度损失：≤3%；3. 无 OOM（显存不足）错误。 | □ 未做 □ 进行中 □ 已完成 |
| 1.2 | 模型量化（核心操作） | 1. 训练后量化（简单）：导出模型时指定int8=True或half=True；2. 量化感知训练（QAT，精度损失小）：训练时指定quantize=True，再导出量化模型。 | 同 1.1 的验证方法。 | 1. 速度提升：≥20%；2. 精度损失：训练后量化≤3%，QAT≤2%；3. 模型体积减小：INT8 量化→减小 75%，FP16 量化→减小 50%。 | □ 未做 □ 进行中 □ 已完成 |
| 1.3 | 模型剪枝（进阶，可选） | 1. 训练时指定剪枝比例：prune=0.2-0.4（建议≤0.4）；2. 剪枝后必须重新微调（finetune）10-20 轮，恢复精度。 | 同 1.1 的验证方法。 | 1. 速度提升：≥15%；2. 精度损失：≤3%；3. 模型参数量减少：≥剪枝比例。 | □ 未做 □ 进行中 □ 已完成 |
| 1.4 | 知识蒸馏（平衡速度 / 精度，可选） | 1. 用高精度大模型（教师模型，如 YOLOv8l）蒸馏轻量化小模型（学生模型，如 YOLOv8n）；2. 蒸馏后，学生模型的速度接近原生，精度提升。 | 同 1.1 的验证方法。 | 1. 速度：与原生学生模型基本一致（±5%）；2. 精度：较原生学生模型提升≥5%；3. 精度损失：较教师模型≤5%。 | □ 未做 □ 进行中 □ 已完成 |
二、 推理优化（中间层，必做）
| 序号 | 优化项 | 操作内容 | 验证方法 | 验收标准 | 完成状态 |
|---|---|---|---|---|---|
| 2.1 | 导出为高效推理格式（核心操作） | 根据目标硬件，导出为对应高效格式：1. NVIDIA GPU →engine（TensorRT）；2. Intel CPU →openvino；3. 移动端 →tflite；4. 通用硬件 →onnx。 | 1. 推理速度测试：使用对应推理框架加载导出的模型，测试 FPS；2. 精度测试：同 1.1 的精度测试方法。 | 1. 速度提升：≥20%（ONNX）、≥50%（TensorRT/OpenVINO）；2. 精度损失：≤1%；3. 导出过程无错误，模型可正常推理。 | □ 未做 □ 进行中 □ 已完成 |
| 2.2 | 推理参数优化（细节提升，无精度损失 / 可控） | 选择以下 1-2 项进行优化（根据场景需求）：1. 减小输入尺寸：imgsz=640→480/320（需是 32 的倍数）；2. 调高置信度阈值：conf=0.3→0.4；3. 批处理推理：batch=1→16/32（根据硬件显存调整）；4. 关闭不必要的后处理：save=False（不保存预测图）。 | 同 2.1 的验证方法。 | 1. 速度提升：减小输入尺寸≥20%、批处理推理≥30%、其他项≥5%；2. 精度损失：减小输入尺寸≤2%、其他项≤1%；3. 满足业务场景需求（如实时性、检测精度）。 | □ 未做 □ 进行中 □ 已完成 |
| 2.3 | 推理框架优化（选择高效框架） | 根据目标硬件，选择对应的推荐推理框架：1. NVIDIA GPU → TensorRT；2. Intel CPU → OpenVINO；3. 通用硬件 → ONNX Runtime。 | 同 2.1 的验证方法。 | 1. 速度提升：较默认推理框架≥20%；2. 精度损失：≤1%；3. 推理框架运行稳定，无报错。 | □ 未做 □ 进行中 □ 已完成 |
三、 硬件优化（底层，选做，软件优化到位后再做）
| 序号 | 优化项 | 操作内容 | 验证方法 | 验收标准 | 完成状态 |
|---|---|---|---|---|---|
| 3.1 | GPU 优化（NVIDIA 显卡） | 选择以下 1-2 项进行优化：1. 开启 CUDA 推理：推理时指定device=0，确保使用 GPU 而非 CPU；2. 开启 TensorRT 加速：结合导出的engine格式模型；3. 开启 FP16 推理：导出模型时指定half=True；4. 调整 GPU 批量大小：根据显存调整batch=16/32/64。 | 同 2.1 的验证方法。 | 1. 速度提升：开启 CUDA≥100%、开启 TensorRT≥50%、其他项≥10%；2. 精度损失：≤1%；3. GPU 利用率：≥70%（批量推理时）。 | □ 未做 □ 进行中 □ 已完成 |
| 3.2 | 边缘设备优化（Jetson / 手机 / 树莓派） | 根据目标边缘设备，选择对应的优化项：1. NVIDIA Jetson：导出为engine格式 + INT8 量化 + 开启 JetPack 加速；2. 手机（Android/iOS）：导出为tflite格式 + INT8 量化 + 调用 NNAPI/CORE ML 加速；3. 树莓派（嵌入式 CPU）：使用 YOLOv8n 模型 + 导出为openvino格式 + 开启多线程推理。 | 同 2.1 的验证方法。 | 1. 速度提升：≥30%；2. 精度损失：≤3%；3. 设备运行稳定：无卡顿、无过热、内存占用≤50%。 | □ 未做 □ 进行中 □ 已完成 |
| 3.3 | 通用硬件优化 | 选择以下 1-2 项进行优化：1. 开启多线程推理：推理时指定threads=4/8/16（根据 CPU 核心数调整）；2. 关闭硬件节能模式：CPU 关闭 intel_pstate 节能、GPU 设置为高性能模式；3. 使用 SSD 硬盘：将模型、数据集、测试图片放在 SSD 上，而非 HDD。 | 同 2.1 的验证方法。 | 1. 速度提升：开启多线程≥20%、其他项≥5%；2. 精度损失：0%；3. 硬件运行稳定：无降频、无卡顿。 | □ 未做 □ 进行中 □ 已完成 |
四、 验证层（每轮优化后必做，核心）
| 序号 | 验证项 | 操作内容 | 验收标准 | 完成状态 |
|---|---|---|---|---|
| 4.1 | 速度验证 | 1. 在目标硬件上，测试优化后模型的推理速度（FPS）；2. 计算速度提升率：(优化后FPS - 基线FPS) / 基线FPS × 100%；3. 记录单张图片的推理延迟（ms）。 | 1. 速度提升率：≥预期值（根据优化项）；2. 推理速度：满足业务场景的实时性要求（如实时监控≥30FPS、移动端≥15FPS）；3. 推理延迟：满足业务场景的延迟要求（如实时监控≤33ms、移动端≤66ms）。 | □ 未做 □ 进行中 □ 已完成 |
| 4.2 | 精度验证 | 1. 在验证集上，测试优化后模型的精度（mAP@0.5、mAP@0.5:0.95、Precision、Recall）；2. 计算精度损失率：(基线mAP@0.5 - 优化后mAP@0.5) / 基线mAP@0.5 × 100%。 | 1. 精度损失率：≤3%（可接受范围）；2. 核心精度指标（mAP@0.5）：满足业务场景的精度要求；3. 无明显的漏检、误检增加。 | □ 未做 □ 进行中 □ 已完成 |
| 4.3 | 稳定性验证 | 1. 长时间推理测试：连续推理 1000 张图片，记录是否有卡顿、报错、崩溃；2. 资源占用测试：记录推理时的 CPU/GPU 利用率、内存 / 显存占用；3. 部署验证：将优化后的模型部署到目标硬件上，测试端到端的运行效果。 | 1. 稳定性：连续推理 1000 张图片，无卡顿、无报错、无崩溃；2. 资源占用：CPU/GPU 利用率≤80%、内存 / 显存占用≤70%；3. 部署效果：端到端运行稳定，满足业务场景的使用要求。 | □ 未做 □ 进行中 □ 已完成 |
清单使用说明
- 优先级：严格按照模型轻量化→推理优化→硬件优化→验证层的顺序进行，模型轻量化优化完成后，再进行推理优化，以此类推。
- 完成状态：每完成一项优化，在 “完成状态” 列勾选对应的选项，方便跟踪进度。
- 验证要求：
- 每轮优化（1-2 个点）完成后，必须进行验证层的所有操作；
- 验证时，必须在目标硬件上进行，确保优化效果与部署场景一致；
- 若精度损失超过 3%，立即调整优化策略（如降低剪枝比例、改用 FP16 量化、换稍大的模型）。
- 基线数据记录：优化前，务必记录好基线数据（基线 FPS、基线 mAP@0.5），方便计算速度提升率和精度损失率。
- 归档：优化完成后，将此清单与优化报告、配置文件、速度 / 精度记录一起归档，方便后续复盘和复用。
