摘要
在目标检测领域，模型的计算效率与检测精度之间的平衡始终是一个核心挑战。YOLOv8 作为当前最先进的目标检测算法之一，在保持高精度的同时，其计算复杂度仍然较高，难以直接部署在资源受限的边缘设备上。本文提出了一种基于 GhostConv 的 YOLOv8 改进方法，通过引入 Ghost 模块的核心思想——利用廉价线性变换生成冗余特征图，显著降低了模型的计算量，同时保持了原有的检测精度。GhostConv 通过将传统卷积分解为两个步骤：首先使用少量卷积核生成 intrinsic 特征图，然后通过简单的线性变换（如深度可分离卷积）从 intrinsic 特征图中高效生成 ghost 特征图。这种设计不仅减少了参数数量，还大幅降低了浮点运算量（FLOPs）。本文将详细介绍 GhostConv 的原理、YOLOv8 的改进方法、完整代码实现、训练技巧以及多个参考数据集的实验结果。实验结果表明，改进后的 YOLOv8-Ghost 在 VOC 2007+2012、COCO 2017、VisDrone 等数据集上，计算量减少了约 30%-45%，而 mAP 的下降幅度控制在 1% 以内，部分数据集甚至实现了精度的小幅提升。本文为轻量化目标检测提供了可行的解决方案，适合嵌入式设备和移动端部署。
关键词：YOLOv8；GhostConv；轻量化卷积；目标检测；廉价线性变换；模型压缩
1. 引言
1.1 研究背景
随着深度学习技术的快速发展，基于卷积神经网络（CNN）的目标检测算法在精度上取得了显著突破。YOLO 系列算法凭借其端到端的检测方式和优越的速度-精度平衡，成为工业界和学术界广泛应用的检测框架。YOLOv8 作为 YOLO 家族的最新成员
