企业官网建设流程全解析

把 CenterTrack 塞进一台算力只有几 TOPS 的边缘盒子，这件事我前前后后折腾了大概三周。第一次跑通的时候整机只有 9 FPS，外壳摸上去烫手，风扇声音像吹风机——那个瞬间我就知道，光靠调分辨率救不回来，必须动主干网络。CenterTrack 这类基于中心点的联合检测跟踪模型，思路非常漂亮：一帧图像进去，检测框、目标中心偏移、跨帧位移一次全出来，不用像传统跟踪那样先检测再做数据关联，整条链路干净利落。但它的默认主干是 DLA-34，带大量空洞卷积和 deformable conv，参数和计算量都堆得比较狠，放在服务器上跑当然无所谓，一旦要往端侧、往嵌入式设备、往低成本推理卡上搬，这条路就走不通了。

所以我给自己定了一个明确目标：把主干换成 GhostNet，保持 CenterTrack 的检测头与跟踪头结构不变，尽量少改逻辑，让整网的参数量和计算量掉一个数量级，同时精度损失控制在可接受范围内。这篇文章就完整记录这个过程——为什么选 GhostNet 而不是 MobileNetV3 或 ShuffleNetV2、Ghost Module 到底怎么省下那些计算、主干替换时特征图 stride 和通道数该怎么对齐、预训练权重和 deform conv 怎么处理、轻量主干之后训练超参必须跟着改哪几个、最后实测的速度精度账，以及我踩过的那些坑。适合正在做模型轻量化、想在边缘设备上跑实时多目标跟踪的同学参考，哪怕你只是单纯想知道"换主干"这件事具体要动哪些代码，也能直接抄走。