一、从一次显存溢出说起
上周在部署RT-DETR到边缘设备时，又遇到了那个老问题：模型跑到一半显存爆了。客户给的硬件是Jetson Orin Nano，16GB内存看着不少，但实际跑起640x640的输入，backbone加上编码器一加载，显存直接冲到14GB，预处理和后处理都没空间了。
盯着nvidia-smi里那个刺眼的“OOM”，我意识到传统的Transformer编码器在边缘端确实太“重”了。
问题出在编码器的自注意力机制上。标准Transformer的计算复杂度是O(N²)，输入特征图稍微大一点，内存和计算量就成倍上涨。
之前试过剪枝、量化，虽然有点效果，但模型精度掉得厉害，客户不买账。这次决定换个思路——能不能重新设计编码器本身的结构？
二、MobileViT的启发：当CNN遇见Transformer
翻论文时看到MobileViT，眼前一亮。它的核心思想很巧妙：用CNN的方式理解Transformer。传统ViT是把图片打成patch直接送进Transformer，MobileViT却先走一层CNN提取局部特征，再用Transformer处理全局关系，最后用CNN把特征“翻译”回空间敏感的形式。
这个“CNN-Transformer-CNN”的三明治结构有个好处：Transformer处理的序列长度大大缩短。因为第一层CNN已经把空间下采样了，输入Transformer的token数少了很多，计算量自然降下来。
更重要的是，最后那层CNN能把全局上下文信息重新映射到空间
