一、为什么YOLOv5n部署到异构SoC上仍然“不达标”？一个反直觉的现实是：YOLOv5n已经是YOLOv5家族中最轻的Nano版本，参数量仅1.9M，但在实际异构SoC部署中，它依然经常“跑不动、跑不准、跑不稳”。根据CSDN社区2026年2月的一个高赞技术问答，在Jetson Nano、RK3588及高通骁龙8 Gen2平台上实测YOLOv5n原始FP32模型，mAP@0.5为28.5%，延迟分别为127ms（Jetson Nano）和42ms（RK3588）。经常规通道剪枝（按L1-norm裁剪20%通道）结合TensorRT INT8量化后，mAP骤降至22.1%，下降6.4个百分点，而推理仅提速1.3倍——远低于理论3.2倍加速比。这不是孤例。上述现象覆盖了83%的工业质检与车载ADAS边缘部署项目（据2023年EdgeAI Benchmark Survey统计）。问题出在哪里？不是YOLOv5n不够轻，而是剪枝和量化的策略没有与目标硬件架构对齐。与此同时，学术界也在积极回应这一挑战。2026年1月发表在Scilit数据库上的论文《Design of YOLO object detection system based on heterogeneous SoC》提出了一种系统性的软硬件协同方案：对YOLOv5n骨干网络进行层融合和量化，将32位浮点特征图和权重量化为8位定点数，并实现多周期协同分组策略来增强并行度，最终在XC7Z100开发板上以300MHz工作频率实现了172.8
