卷积改进与轻量化：极限压缩方案：将 FasterNet 的 PConv 与 Ghost 模块融合，打造双阶轻量卷积

一、为什么轻量化又成了焦點？2025-2026年，计算机视觉领域出现了一个明显的趋势：模型不再单纯追求精度，而是追求“精度-效率-部署可行性”三者之间的最优平衡。根据 Ultralytics 在 YOLO 2025（YV25）大会上的官方发布，YOLO26 被明确设计为“轻量化、紧凑型和高速运行”的模型，专为现实世界中实时视觉 AI 应用的实际运行需求而打造，内置原生端到端推理功能。这一信号表明，即便是目标检测领域的标杆框架，也在将轻量化作为核心设计哲学。然而，当下主流的轻量化卷积方案存在一个隐蔽但致命的矛盾：许多网络通过深度可分离卷积（DWConv）或组卷积（GConv）在纸面上大幅降低了 FLOPs，但实际推理延迟却远高于纸面数字。根据论文Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks的分析，ShuffleNet、MobileNet、GhostNet 等经典轻量级骨干网络正是因为 DWConv 或 GConv 带来的频繁内存访问，导致实际 FLOPS（每秒浮点运算次数）显著降低。FLOPs 是理论计算量，FLOPS 是实际执行速度——两者的差距可能高达数倍。本文将从这一问题出发，提出一种双阶轻量卷积的极限压缩思路：将 FasterNet 的PConv（部分卷积）与 GhostNet 的Ghost 模块深度融合，分别在“