摘要在实时目标检测领域，YOLOv8 凭借其卓越的精度与速度平衡，已然成为工业界和学术界的标杆模型。然而，随着模型在边缘计算设备（如 Jetson、树莓派、手机端）上的广泛应用，如何进一步降低推理延迟（Latency）而不牺牲精度（Accuracy）成为了核心痛点。传统的卷积操作（如 3x3 标准卷积）虽然特征提取能力强，但其计算复杂度高，访存开销大。本文提出了一种创新的改进方案：将 FasterNet Block 中的核心算子——部分卷积（Partial Convolution, PConv）引入 YOLOv8 的 Neck 和 Backbone 结构中。PConv 通过仅对输入通道的一部分进行标准卷积，其余通道保持恒等映射，在保持高精度的前提下，显著降低了浮点运算量（FLOPs）和内存访问成本（MAC）。本文将详细阐述改进原理、提供完整的 YOLOv8 修改代码、给出训练配置，并在 COCO 和 VisDrone 数据集上进行对比分析，为追求极致实时性的开发者提供一套即插即用的高效方案。关键词：YOLOv8；FasterNet；部分卷积；实时目标检测；模型轻量化；边缘计算第一章：引言与背景1.1 实时目标检测的现状与挑战YOLO 系列模型（You Only Look Once）自 2016 年诞生以来，凭借其单阶段（One-stage）检测的思想，一直主导着实时目标检测领域。YOLOv8 作为 Ultralytics 团队的最新力作，在 Anchor-Free、解耦头、任务对齐学习（Task Aligned Learning）等方面