161、YOLOv8改进实战：解耦头优化——引入隐式知识蒸馏头的轻量化检测头设计

161、YOLOv8改进实战：解耦头优化——引入隐式知识蒸馏头的轻量化检测头设计

从一次线上事故说起

去年双十一大促前夜，我盯着监控面板上飙升的推理延迟，后背一阵发凉。YOLOv8n部署在边缘设备上，原本12ms的推理时间突然跳到了28ms。排查了半天，发现是检测头部分的矩阵运算把NPU的算力吃满了。那个夜晚让我意识到：YOLOv8的解耦头虽然精度不错，但在资源受限场景下，分类分支和回归分支的并行计算对硬件并不友好。

后来我在调试一个工业质检项目时，又遇到了另一个问题——小目标检测头在蒸馏训练时，教师模型和学生模型的特征图对齐总是差那么一口气。传统的知识蒸馏方法要么增加额外计算量，要么蒸馏效果不稳定。这两个问题叠加在一起，让我开始思考：能不能设计一种检测头，既轻量又能天然适配知识蒸馏？

解耦头的痛点，不止是计算量

YOLOv8的解耦头把分类和回归任务分开，每个分支各自用两个卷积层处理。这个设计在精度上确实比耦合头好，但代价也很明显：

第一个坑：两个分支各自独立，特征复用率低。我见过不少改进方案在解耦头后面加各种注意力模块，结果参数量翻倍，精度提升却不到0.5个点。这本质上是因为解耦头本身已经做了特征分离，再强行加注意力反而破坏了原有的特征分布。

第二个坑：蒸馏时教师和学生的检测头结构不一致。标准做法是让学生模仿教师的特征图，但解耦头有多个输出层，每个层的语义信息不同，硬对齐反而会引入噪声。我踩过这个坑——用MSE Loss蒸馏分类分支的特征图，结果AP掉了1.2个点，因为教