摘要在资源受限的嵌入式设备上部署目标检测模型一直面临着模型体积、推理速度与检测精度之间的权衡困境。本文深入探讨了如何将模型剪枝与知识蒸馏两种模型压缩技术相结合，对YOLOv7-tiny进行极致优化，使其能够在树莓派4B、Jetson Nano等嵌入式平台上实现实时目标检测。通过结构化剪枝移除冗余通道，再借助知识蒸馏恢复精度，我们成功将原始YOLOv7-tiny的模型体积压缩65%，推理速度提升3.2倍，同时保持mAP@0.5仅下降1.8%。本文将提供完整的代码实现、数据集准备指南以及嵌入式部署全流程，为开发者提供一套可复现的工业级解决方案。1. 引言1.1 嵌入式目标检测的挑战随着边缘计算的兴起，在嵌入式设备上部署深度学习模型已成为计算机视觉领域的重要研究方向。YOLOv7作为目前最先进的一阶段目标检测器之一，其tiny版本虽然已经针对移动端进行了初步优化，但在树莓派4B等资源受限设备上，处理1080P图像时仍然只能达到3-5 FPS，难以满足实时性要求（通常需要≥15 FPS）。1.2 模型压缩技术的演进近年来，学术界提出了多种模型压缩方法：模型剪枝：通过移除对最终输出贡献较小的权重或通道，直接减少模型计算量知识蒸馏：利用大型教师模型指导小型学生模型训练，提升小模型性能量化：将FP32权重转换为INT8，降低存储和计算开销然而，单一技术往往存在局限性：剪枝可能导致精度骤降，蒸馏无法改变