# 005、模型选择：YOLOv5/v8模型结构解析与游戏场景下的选型策略
---
## 一、从一次深夜调试说起
上周在给某款FPS游戏做目标检测测试时，遇到了一个典型问题：笔记本上跑YOLOv8n模型，帧率能到60FPS，但切换到YOLOv8m之后直接掉到22FPS，显存占用还涨了快一倍。更头疼的是，小模型检测远处的小目标（比如草丛里的敌人头部）漏检率明显上升，而大模型虽然准了，实时性又跟不上。
这其实引出了游戏辅助场景下的核心矛盾：**精度、速度、资源占用，这三者怎么平衡？** 今天我们就拆开YOLOv5和YOLOv8的模型结构，聊聊在游戏场景下到底该怎么选型。
---
## 二、YOLOv5：工业级稳重的“老将”
YOLOv5虽然官方没发论文，但代码和工程化做得极其扎实，至今仍是很多嵌入式设备和实时系统的首选。它的结构清晰，容易魔改，适合需要自己动手调的场景。
### 2.1 核心结构特点
**Backbone**：CSPDarknet53 + SPPF
CSP结构减少了计算量，同时保持了梯度流的丰富性。SPPF（空间金字塔池化快速版）把三个5x5池化换成串行的3个3x3池化，效果差不多，计算量更低——这种“小聪明”在游戏里很实用，省出来的算力可以留给后处理。
**Neck**：PANet + 定制化CSP
双向特征金字塔，加强多尺度融合。YOLOv5在Neck里也用了CSP结构，进一步压缩计算。不过这里有个细节：v5的Neck输出三个尺度（P3、P4、P5），分别对应小、中、大目标。
**Head**：解耦头（v5后期版本引入）
分类和回归任务分开学习，比耦合头效果更