YOLOv8融合ConvNeXt轻量版：深度可分离卷积+LayerNorm，mAP直接提升3.7%

YOLOv8作为当前主流的目标检测框架，凭借高效的C2f模块、SPPF空间金字塔池化和Anchor-Free检测头，在精度与速度之间取得了出色平衡。但在边缘设备（如Jetson Nano、RK3588）部署场景中，其轻量化版本（YOLOv8n/s）仍存在两个核心痛点：① 主干网络C2f模块的特征提取能力有限，依赖堆叠数量提升精度，导致参数量冗余；② BatchNorm（BN）层对小批量数据敏感，在边缘设备低算力场景下易出现训练不稳定、推理精度下降的问题。

ConvNeXt作为CNN与Transformer融合的代表性结构，通过深度卷积、LayerNorm、大核卷积等设计，实现了超越传统CNN的特征提取能力，但原生ConvNeXt（如ConvNeXt-T）参数量较大（约28M），无法直接适配轻量化场景。本文提出YOLOv8n-ConvNeXt-Lite改进方案：通过“深度可分离卷积轻量化ConvNeXt Block + LayerNorm替换BN + 特征融合策略优化”，在仅增加5%参数量的前提下，使YOLOv8n的COCO数据集mAP@0.5:0.95提升3.7%，推理速度仅下降8.3%，完美适配边缘设备的高精度、低延迟需求。

一、核心改进思路：轻量化与精度提升的平衡之道

1. 原生YOLOv8n与ConvNeXt的核心矛盾

框架	优势	短板（轻量化场景）
YOLOv8n