摘要在边缘设备上部署YOLOv5目标检测模型时，计算资源和存储空间的限制往往成为主要瓶颈。本文系统性地介绍了如何通过模型剪枝（Pruning）和量化（Quantization）技术对YOLOv5进行加速优化，使其能够在树莓派4B、Jetson Nano等边缘设备上实现实时推理。文章包含完整的代码实现、训练脚本、剪枝策略、量化方法以及部署流程，并提供三个推荐的数据集用于实践验证。一、背景与挑战1.1 边缘计算场景下的目标检测需求在智能制造、智能安防、无人零售等边缘计算场景中，目标检测算法需要同时满足低延迟、低功耗和低成本的要求。传统的云端推理模式存在网络延迟、带宽压力和隐私安全等问题，使得边缘端本地推理成为必然选择。以YOLOv5s为例，原始模型参数量约为7.2M，浮点运算量（FLOPs）约为16.5G。在树莓派4B上直接运行，推理速度仅为0.5-1 FPS，完全无法满足实时性要求。即使在性能较强的Jetson Nano上，也仅有8-10 FPS，距离实时（25+ FPS）仍有较大差距。1.2 模型加速的技术路线当前主流的模型加速方法包括：轻量化架构设计：如MobileNet、ShuffleNet等模型剪枝：移除冗余的通道、层或权重模型量化：将浮点运算转换为定点运算知识蒸馏：用大模型指导小模型学习