做无人机机载目标检测部署的，大概率都经历过这种两难：
算法侧丢过来一个YOLOv11s，说VisDrone上精度够了，结果往Jetson Nano上一跑，帧率不到10，画面卡顿连带飞控延迟，根本没法上天；
换成nano版吧，帧率倒是上去了，航拍小目标直接漏检一半，远处的行人和车辆基本看不见，业务侧又不接受。
来回折腾好几轮，换了好几个模型，要么速度不够，要么精度拉胯，总也找不到平衡点。
很多人选模型的误区就是：看参数量选，越小越快。实际上机载端的性能瓶颈从来不是参数量，是计算量、内存带宽、硬件算子支持度。有的模型参数量小，结构碎片化严重，实际跑起来反而慢；有的模型看着大一点，算子规整硬件友好，跑起来又快又准。
这两年我前后在Jetson Nano、RK3588、地平线旭日X3这几块主流机载板卡上，测过从YOLOv5n到YOLOv26n的七八款轻量化模型，踩了一堆坑，也总结出一套选型和优化的方法论。之前讲过原生YOLO在航拍小目标上的先天不足，今天就专门说说机载端怎么选轻量化模型，怎么在有限算力下做到精度和速度的平衡。
一、先搞懂：机载端的核心约束远不止“算力不够”
很多人对机载部署的理解停留在“算力差，要用小模型”，其实约束是多维度的，只盯着参数量选模型，十有八九会踩坑。
1. 三大性能瓶颈，参数量只占最小头
真正决定推理速度的，是三个因素，参数量的影响排最后：
- 计算量（FLOPs）：浮点运算次数，和推理速度相关性最强。同样硬件下，计算量越小，理论速度越快。但这只是理论值，实际速度还要看下面两点。
