068.YOLOv5骨干网络替换：当MobileNetV3遇上YOLOv5的那些坑

昨天深夜调试代码，屏幕上的YOLOv5模型在Jetson Nano上跑得跟老牛拉车似的。客户要求实时检测，但现有的CSPDarknet53在边缘设备上实在吃力。突然想到：既然目标检测的精度已经不错，何不试试轻量级骨干网络？于是开始了MobileNetV3、EfficientNet的替换之旅，这一试就踩了满脚的坑。为什么换骨干网络？YOLOv5默认的CSPDarknet53确实强大，但参数量摆在那儿。移动端、边缘计算场景下，模型大小和推理速度往往比那2%的mAP提升更重要。MobileNetV3-large的参数量只有CSPDarknet53的1/4左右，EfficientNet-B0更是精度与速度的平衡好手。但替换骨干不是简单的“拆了装”，里面的门道比想象中多。MobileNetV3替换实战直接修改models/yolo.py里的Detect类？太粗暴了。正确做法是从backbone定义入手。先看看YOLOv5的骨干输出特征图维度：# 原版CSPDarknet53输出三个特征层# [batch, 256, 80, 80] 对应P3# [batch, 512, 40, 40] 对应P4# [batch, 1024, 20, 20] 对应P5/