187、YOLOv8改进实战：交通标志与行人检测——基于RepVGG骨干与ASFF多尺度融合的轻量方案

187、YOLOv8改进实战：交通标志与行人检测——基于RepVGG骨干与ASFF多尺度融合的轻量方案

一个让我头疼了三天的调试问题

上个月接了个车载边缘端的项目，要求在Jetson Nano上跑交通标志和行人检测，模型还得控制在5MB以内。我一开始直接拿YOLOv8n怼上去，结果在白天场景还行，一到傍晚或者小雨天，小交通标志直接漏检，行人也经常被背景吃掉。最离谱的是，模型在Nano上推理居然要45ms，离30ms的实时要求差一截。

后来我翻了一周的日志，发现瓶颈出在两个地方：一是YOLOv8的C2f模块在轻量化场景下特征提取不够高效，二是Neck部分的FPN+PAN结构对多尺度小目标融合不够充分。于是我开始动手改骨干和Neck，最终方案是RepVGG+ASFF的组合，模型压缩到4.2MB，Nano上跑到28ms，mAP还涨了3.2个点。

为什么选RepVGG当骨干

YOLOv8默认的C2f模块在训练时是常规卷积堆叠，推理时通过重参数化合并成单路结构。但C2f的设计初衷是通用检测，对极端轻量化的场景，它的参数利用率不够高。RepVGG的思路更直接——训练时用多分支结构（3x3卷积、1x1卷积、BN直连）来增强梯度流动，推理时通过结构重参数化合并成单路3x3卷积。这样既享受了多分支训练的好处，又保留了单路推理的速度优势。

我替换的是YOLOv8n的backbone部分，具体做法是把前三个stage的C2f换成RepVGGBlock。这里有个坑：RepVGGBlock的stride参数必须和原C2f的输出尺度对齐，否则后面Nec