AI模型压缩部署

2.模型压缩策略 2.1网络剪枝 2.1.1非结构化剪枝 2.1.2结构化剪枝 2.1.3其他类型的方法 2.2轻量级网络设计 2.2.1基于卷积结构的轻量级模型设计 2.2.2基于卷积操作方法的轻量

一、核心奠基论文（提出分阶段/分层剪枝思想） 分阶段混合策略： 1. AMC: AutoML for Model Compression (2018) 首次提出每层可以有不同的剪枝率，使用强化学习自动

YOLOv8结构化剪枝 1. 核心原理对比 Network Slimming（NS） 依赖BN层γ参数作为通道重要性指标 L1正则化训练使不重要的通道γ趋近于0 全局阈值剪枝：跨层统一阈值剪枝

1. 核心思想 Network Slimming 的核心是利用Batch Normalization（BN）层中的缩放因子γ（gamma参数） 作为通道重要性的度量指标，用L1范数将BN的放缩因子推向

一、模型压缩技术概述 1.1 模型压缩问题定义 因为嵌入式设备的算力和内存有限，因此深度学习模型需要经过模型压缩后，方才能部署到嵌入式设备上。 模型压缩问题的定义可以从 3 角度出发: 模型压缩的收益

1. YOLOv8预训练模型迁移学习 1. YOLOv8源码下载和安装 （1）克隆YOLOv8并安装 克隆项目到本地。2.DepGraph结构化剪枝

DepGraph结构化剪枝原理深度解析 核心思想：依赖图（Dependency Graph） 一句话概括：DepGraph通过分析神经网络的计算图依赖关系，自动识别并同步剪枝相互依赖的层，确保剪枝后模