摘要随着边缘计算设备的普及，在资源受限的嵌入式平台上部署高性能目标检测算法成为研究热点。本文提出一种基于YOLOv5s的改进算法YOLOv5s-BiFPN，通过引入加权双向特征金字塔网络（BiFPN）替代原路径聚合网络（PANet），实现更高效的多尺度特征融合。同时，针对边缘计算场景，我们采用深度可分离卷积和模型剪枝技术进一步压缩模型体积。实验表明，改进后的模型在NVIDIA Jetson Nano上推理速度提升28%，mAP达到78.3%（比原版提升2.1%）。本文将详细阐述改进原理、代码实现、训练技巧，并给出完整的开源代码和数据集建议。1. 引言1.1 边缘计算目标检测的挑战在智慧安防、工业质检、自动驾驶等边缘场景中，目标检测算法需满足：低延迟：实时处理（≥30 FPS）高精度：关键目标不漏检资源受限：算力＜10 TOPS，内存＜4GB1.2 YOLOv5s的局限性YOLOv5s作为轻量级检测器，其PANet特征融合模块存在：简单相加：各层特征贡献相等，未考虑分辨率差异单向融合：仅单向传递语义信息计算冗余：标准卷积参数量大1.3 BiFPN