YOLOv8 Backbone前向传播优化：移除冗余激活函数，推理速度+12%

YOLOv8凭借高效的C2f模块和Anchor-Free检测头，在精度与速度间取得了出色平衡，但在边缘设备（如Jetson Nano、RK3588）实时部署场景中，前向传播过程中仍存在激活函数冗余问题：原生C2f模块中密集堆叠的SiLU激活函数，虽能引入非线性特征表达，但部分位置的激活函数对特征增益贡献极小，反而占用大量计算资源（约占Backbone计算量的18%），成为推理速度的瓶颈。

本文提出YOLOv8-FastAct优化方案：通过分析C2f模块的特征传播规律，“选择性移除”冗余SiLU激活函数——保留深层语义特征层的激活，移除浅层低语义层的冗余激活，在参数量几乎不变（变化≤1%）的前提下，使YOLOv8n/s的推理速度提升12%_{15%，mAP@0.5:0.95仅下降0.2%}0.4%，完美适配边缘设备“高精度+低延迟”的部署需求，且工程化修改成本极低（仅需调整C2f模块的激活函数分布）。

一、核心痛点：YOLOv8激活函数的冗余本质

1. 原生YOLOv8 Backbone激活函数分布

YOLOv8的Backbone由“Focus → C2f×3 → SPPF”组成，核心特征提取依赖C2f模块。原生C2f模块的结构为：

输入 → 分流卷积（1×1） → 路1（直接输出） → 路2（串联n个Bottleneck：Conv→BN→SiLU） → 拼接 → 1×1卷积融合 → SiLU → 输出

其中激活