[具身智能-632]：efficientnasnet、googlenet、resnet18、vargconvnet对比
![[具身智能-632]：efficientnasnet、googlenet、resnet18、vargconvnet对比](http://pic.xiahunao.cn/yaotu/[具身智能-632]：efficientnasnet、googlenet、resnet18、vargconvnet对比)
test_efficientnasnet_m.py test_googlenet.py test_mobilenetv1.py test_resnet18.py test_vargconvnet.py 这几种CNN网络介绍与对比
5 个网络完整介绍 + RDK X5 部署场景横向对比
文件清单：test_resnet18.py、test_mobilenetv1.py、test_googlenet.py、test_vargconvnet.py、test_efficientnasnet_m.py全部都是图像分类 CNN，适配地平线 RDK X3/X5 BPU 部署（对应你手上 NV12 输入.bin 模型 demo 体系，ImageNet-1000）。
前置背景：
- 传统手工设计 CNN：GoogLeNet、ResNet18、MobileNetV1
- 搜索架构 NAS：EfficientNASNet-M
- 地平线自研高效架构：VarGConvNet（面向 BPU 硬件优化）
一、逐个网络简介
1. ResNet18（test_resnet18.py，你当前正在运行）
论文：Deep Residual Learning for Image Recognition（2015）核心创新：残差连接 Shortcut Connection，解决深度网络梯度消失，可以堆叠更深网络。
- 结构：18 层卷积网络，基础模块
Conv-BN-ReLU + 残差分支 - 卷积：标准 3×3 普通卷积
- 参数量：~11.7M
- 计算量：FLOPs ~1.8G
✅ 优点
- 工业界最通用基线，预训练权重极多；
- 结构规整，BPU 调度友好；
- 训练稳定，微调简单； ❌ 缺点
- 没有深度可分离卷积，算力消耗大于轻量化网络；
- 单纯堆叠 3×3 卷积，移动端 / 边缘端算力利用率一般。
适用场景：通用分类、简单缺陷检测、作为检测网络 Backbone 基线。
2. MobileNetV1（test_mobilenetv1.py）
论文：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications（2017）核心创新：深度可分离卷积 Depthwise Conv + Pointwise Conv，大幅削减计算量。
- 结构：全部由
DW Conv + PW Conv串联 - 参数量：~4.2M
- FLOPs：~0.57G
✅ 优点
- 初代轻量化标杆，算力远低于 ResNet18；
- 推理速度快； ❌ 缺点
- DW 卷积在部分 BPU / 硬件上并行效率一般；
- 精度上限不高；
- 缺少残差结构，深层训练容易不稳定；
- ReLU6 激活函数。
地平线提示：DW 卷积要关注模型编译优化策略，部分场景不如 VarGConvNet。
适用场景：极低算力设备、简单分类、低速抓拍场景。
3. GoogLeNet（Inception v1，test_googlenet.py）
论文：Going Deeper with Convolutions（2014）核心创新：Inception 模块（多尺度并行卷积：1×1、3×3、5×5 同时提取特征再 concat）
- 参数量：~6.7M（比 ResNet18 更小）
- FLOPs ~1.5G
✅ 优点
- 多尺度特征原生支持，对大小差异目标友好； ❌ 缺点
- 分支多、concat 操作频繁；
- 网络拓扑碎片化；
- BPU 硬件调度压力大，延迟波动更大；
- 比较老旧，同等算力下精度弱于 ResNet 系列。
适用场景：历史项目兼容，新项目基本不优先选用。
4. VarGConvNet（test_vargconvnet.py，地平线自研网络）
VarGConvNet = Variable Group Convolution Network地平线面向BPU 硬件量身设计轻量化 CNN，官方提供预训练 ImageNet 权重。 核心思想：可变分组卷积 + 硬件友好算子组合，平衡精度、访存、BPU 并行效率。
✅ 优点
- 针对地平线 BPU 做算子优化！同精度下，推理延迟普遍优于 MobileNetV1；
- 算子连续、分支少，减少 DDR 数据读写；
- 不需要大量 DW 卷积规避硬件短板；
- RDK 平台官方主推轻量化骨干之一； ❌ 缺点
- 第三方框架生态弱（谷歌 / 学术界不通用）；
- 外部资料少，只能参考地平线文档；
⭐重点：RDK X3/X5 部署首选轻量化骨干之一适用场景：边缘实时分类、目标检测轻量化 backbone，推荐优先对比它和 MobileNet。
5. EfficientNASNet-M（test_efficientnasnet_m.py）
属于NAS 神经架构搜索得到的网络（地平线内部搜索得到系列，EfficientNASNet-M medium 版本） 区别于 Google EfficientNet；是地平线 NAS 产出模型。 原理：通过强化学习自动搜索最优卷积组合、通道数、网络深度，不是人工设计。
✅ 优点
- 在给定算力约束下，自动逼近最优精度；
- 相比手工网络更容易实现 “精度 / 速度平衡点”； ❌ 缺点
- 网络结构不规则，碎片化算子；
- 部分零散小卷积组合，极端情况下 BPU 利用率不如 VarGConvNet；
- 微调难度高于 ResNet；
分级：
- EfficientNASNet-S：小模型
- EfficientNASNet-M：中等规模（这份 demo）
- EfficientNASNet-L：大模型
适用场景：追求极致精度，愿意投入时间调编译参数；产品定型阶段选型对比实验。
二、综合横向对比表（ImageNet1k，RDK X5 实测参考维度）
定性排序：精度越高↑；推理耗时越低越好↓
表格
| 网络 | 设计方式 | 核心算子 | 参数量规模 | ImageNet 精度 (参考) | RDK X5 推理延迟特性 | 生态通用性 | 推荐优先级（RDK） |
|---|---|---|---|---|---|---|---|
| ResNet18 | 人工设计 | 标准 3×3 卷积 + 残差 | 中大 | ★★★★ | 稳定，速度中等 | ⭐⭐⭐⭐⭐ 通用基线 | ★★★★☆ |
| MobileNetV1 | 人工轻量化 | 深度可分离卷积 DW/PW | 小 | ★★★ | 较快，DW 卷积硬件存在瓶颈 | ⭐⭐⭐⭐ | ★★★☆ |
| GoogLeNet | 人工多尺度 | Inception 多分支 concat | 中小 | ★★★ | 分支多，延迟波动大 | ⭐⭐⭐ | ★★☆（新项目不推荐） |
| VarGConvNet | 地平线硬件定向人工设计 | 可变分组卷积 | 小 | ★★★★ | 轻量化里速度最优，BPU 高度适配 | ⭐⭐ | ★★★★★（轻量化首选） |
| EfficientNASNet-M | NAS 自动搜索 | 搜索混合卷积结构 | 中小 | ★★★★☆ | 速度中等，上限高，依赖编译优化 | ⭐⭐ | ★★★★（精度优先选型） |
三、选型指南（直接结合你的 RDK X5 工程）
场景 1：需要通用基线、后续还要迁移检测 / 分割
👉ResNet18标准骨干，论文、预训练、开源工具链最全；适合算法验证、做精度基准对比。
场景 2：追求轻量化、低延迟，实时图像分类（摄像头 25fps+）
👉优先 VarGConvNet > MobileNetV1VarGConv 是地平线硬件特化，很多实测同样精度比 MobileNetV1 更快，访存开销更低。
场景 3：想压榨最高精度，算力余量充足
👉EfficientNASNet-MNAS 搜索架构，同等计算量精度普遍高于手工轻量化网络，代价是调参、模型编译需要多测试。
场景 4：存量旧项目维护
👉 GoogLeNet；新项目尽量不要从零启动 GoogLeNet。
四、结合你现有代码的工程提示
- 所有 demo 结构完全统一：
读取图→resize→BGR2NV12→dnn推理→ctypes调用libpostprocess可以直接一套预处理代码无缝切换各个网络.bin 模型； - 模型必须使用地平线 hb_mapper 单独编译，不能跨网络混用；
- 如果你后续把分类骨干迁移到 FCOS/YOLO 目标检测：
- ResNet18、VarGConvNet 最适合作为 Detection Backbone；
- MobileNetV1 也常用；GoogLeNet 很少用于检测；
- 精度优化关键点： ResNet18/EfficientNASNet 可以支持更大分辨率；轻量化网络建议 224 输入。
五、补充测试建议（你可以批量跑实验）
统一条件：输入 224×224 NV12，RDK X5，统计指标：
- 单帧推理耗时（forward 耗时）
- Top1 准确率（自制测试集）
- BPU 占用率 最终选出：延迟 & 精度平衡点。