《Ecological Informatics》：WLP-YOLO: Edge-efficient UAV-based walnut detection for orchard monitoring via lightweight YOLOv8 and structured pruning
编辑推荐：
针对无人机影像中核桃目标微小且密集的特点，研究人员构建了一个专用于小目标和密集目标检测的无人机果园核桃数据集（UAV orchard walnut dataset）；提出了一种轻量级的WLP-YOLO检测器（lightweight WLP-YOLO detec
针对无人机影像中核桃目标微小且密集的特点，研究人员构建了一个专用于小目标和密集目标检测的无人机果园核桃数据集（UAV orchard walnut dataset）；提出了一种轻量级的WLP-YOLO检测器（lightweight WLP-YOLO detector），借助多尺度融合（multi-scale fusion）增强小目标线索；进一步采用面向部署的结构化剪枝策略（deployment-oriented structured pruning strategy）实现高效模型压缩；剪枝后的模型在边缘设备（edge devices）上以极小的精度损失（accuracy loss）实现了实时推理。
论文解读：WLP-YOLO——面向无人机果园监测的边缘高效核桃检测
核桃的准确检测和计数能够为产量评估、收获规划以及果园尺度监测提供定量信息。相比地面成像，无人机平台具有更广的空间覆盖和更灵活的视角，能够快速获取大面积果园的高分辨率影像。然而，无人机影像中的核桃目标仅占少量像素，常密集分布且表观尺度差异大；枝叶、树枝和阴影造成背景杂乱与频繁遮挡，树冠遮光和逆光还导致明显的光照变化。这些因素削弱了目标与背景的可分性，增加了密集、低对比度和部分遮挡区域的漏检。同时，实际边缘部署要求检测器在严格的计算、内存和延迟约束下保持对小目标的敏感性。以往的轻量化方法在目标尺度、场景复杂度、网络结构和硬件执行特性上的表现高度相关：激进地简化结构可能丢失弱空间线索，而参数或浮点运算量（FLOPs）的下降也不一定带来成比例的延迟降低。因此，需要一种将图像特征、架构设计、模型压缩和设备级性能联系起来的任务导向评估，以支撑无人机核桃监测。
研究人员提出了WLP-YOLO（Walnut Lightweight-Pruned YOLO），一种源自YOLOv8n的紧凑检测器，用于密集小核桃检测。该模型结合轻量级特征提取与高效多尺度融合，在受限计算预算下保留细粒度目标线索；在架构重构后，采用硬件友好的结构化通道剪枝去除冗余通道，并微调恢复性能；最终通过TensorRT部署到Jetson Xavier NX边缘设备。在自建的无人机核桃数据集上，固定验证集结果显示WLP-YOLO的mAP@0.5由YOLOv8n的0.811提升至0.834，参数由3.00 M降至2.23 M，GFLOPs由8.1降至6.8；剪枝后模型参数降至约1.0 M、GFLOPs降至2.7，mAP@0.5仍保持0.832；在Jetson Xavier NX上以TensorRT-FP16推理时，单图延迟为29.1 ms，约34.4 FPS。该研究提供了一套从数据集构建、网络设计、模型压缩到硬件部署的完整方案，系统评估了无人机核桃检测中的精度-效率权衡。
主要关键技术方法方面，研究人员构建了无人机果园核桃数据集：影像采集自云南省漾濞县六个核桃园（苍山西镇、平坡镇、太平镇各两片），于2024年8月和2025年8月使用DJI Matrice 300 RTK搭载Zenmuse P1相机（35 mm镜头）采集，每年196幅原始图像，共392幅8192×5460像素图像；将原始图像裁剪为640×640像素块并筛选，最终保留388幅作物级图像，标注3518个核桃实例，按7:3划分为训练集（270幅）和验证集（118幅）。网络结构采用GhostHGNetV2骨干，颈部包含Zoom_cat与ScalSeq双路径尺度对齐以及GSConvns和VoV-GSCSPns轻量聚合模块。压缩采用基于LAMP评分的结构化通道剪枝，依赖图保证维度一致，目标加速比为2.5，剪枝后微调200轮。部署阶段使用PyTorch→ONNX→TensorRT流程，在Jetson Xavier NX上生成FP32/FP16引擎并测试。
在实验结果部分，论文通过一系列受控实验评估了模型。
5.3 Comparative experiments（对比实验）
5.3.1 Comparison with other detectors（与其他检测器比较）：在固定验证集上对比了YOLOv3-tiny至YOLOv12s等多个检测器，WLP-YOLO取得了最高的mAP@0.5（0.834），且参数量和计算量低于YOLOv8n；剪枝版进一步降低至1.0 M参数和2.7 GFLOPs，mAP@0.5仅下降0.002。这表明WLP-YOLO的优势主要体现在检测完整性和小目标敏感性，而严格IoU下的定位性能与基线持平。
5.3.2 Five-fold cross-validation robustness analysis（五折交叉验证稳健性分析）：采用五折划分和配对Wilcoxon符号秩检验，WLP-YOLO在精度、召回率、F1和mAP@0.5上的均值略高于YOLOv8n，但经Holm校正后均无统计学显著性，说明当前数据集上呈现有利数值趋势，但不足以证明一致优势。
5.3.3 Backbone comparison for WLP-YOLO（骨干网络比较）：将不同轻量骨干嵌入WLP-YOLO框架，GhostHGNetV2并非单独准确率最高，但提供了精度与效率的最佳平衡（6.8 GFLOPs、2.30 M参数）。
5.3.4 Analysis of neck module variants（颈部模块变体分析）：RCSOSA在mAP@0.5
