摘要
随着深度学习在计算机视觉领域的飞速发展，目标检测技术已经广泛应用于自动驾驶、智能安防、工业质检等众多场景。YOLOv8 作为目前最先进的目标检测算法之一，凭借其出色的检测精度和实时性能，受到了学术界和工业界的广泛关注。然而，在资源受限的边缘设备上部署 YOLOv8 仍然面临着计算量和模型大小的挑战。本文提出了一种将 GhostNet V2 注意力机制与 YOLOv8 相结合的新型检测框架，通过 Ghost 模块生成冗余特征，配合高效的注意力机制，在保持检测精度的同时大幅降低计算量。本文详细介绍了 GhostNet V2 的核心原理、YOLOv8 的网络结构、改进方案的具体实现，并提供了完整的代码示例。通过在 COCO2017、VOC2012 和自建数据集上的大量实验，验证了改进后的模型在计算量减少 30% 的同时，mAP 仅下降 0.8%，展现出优异的性能表现。本文的工作为轻量化目标检测提供了新的思路和技术方案。
关键词：GhostNet V2；注意力机制；YOLOv8；轻量化目标检测；模型压缩
1. 引言
目标检测是计算机视觉领域的核心任务之一，其目标是在图像中定位并识别出感兴趣的物体。近年来，基于深度学习的目标检测算法取得了突破性进展，其中 YOLO（You Only Look Once）系列算法以其端到端的检测方式和卓越的实时性能，成为了工业界应用最广泛的检测框架之一。从 YOLOv1 到 YOLOv8，YOLO 系列算法在检测精度、速度和模型大小等方面不断优化，形成了完整的算法体系。
然而，随着模型性能的提升，网络结构也变得越来越复杂。YOLOv8 虽然已经做了大量的轻量化设计，但在移动端和嵌入式设备上运行时，仍然面临着计算资源紧张的
