YOLOv8性能提升：引入华为GhostNetv1特征提取网络

摘要

目标检测算法YOLOv8凭借其优异的实时性和精度平衡，广泛应用于工业与学术领域。然而，在移动端或嵌入式设备等资源受限场景下，其原生主干网络（如CSP结构）的计算开销成为部署瓶颈。本文提出将华为提出的轻量化网络GhostNetV1作为YOLOv8的主干网络，通过Ghost模块替代传统卷积，以低成本操作生成更多特征图，显著减少参数量和计算量。实验表明，改进后的模型在保持精度的同时，FLOPs降低约30%，更适合移动端部署。

---

1. GhostNetV1核心原理

1.1 Ghost模块设计

GhostNet的核心创新在于Ghost模块，其通过两步生成特征图：

1. 初级卷积：少量标准卷积生成内在特征图（如输入通道的1/2）。
2. 廉价操作：对内在特征图应用线性变换（如深度卷积、逐点卷积）生成冗余的“Ghost特征图”，最终拼接为完整输出。

数学表达：
给定输入特征图 ( X )，传统卷积输出 ( Y = Conv(X) )，而Ghost模块输出为：
[ Y’ = Concat(Y_{primary}, \Phi(Y_{primary})) ]
其中 ( \Phi ) 为廉价操作，( Y_{primary} ) 是初级卷积结果。