063、NPU的YOLO加速：目标检测网络的硬件优化
一、一个让我熬夜三天的bug
去年做某安防芯片的YOLOv5s移植，板子跑起来检测框全飘在天上。用CPU推理完全正常，一上NPU就崩。查了三天，最后发现是NPU的卷积加速器对3×3卷积的stride=2处理有个隐藏约束——输入feature map的宽度必须是16字节对齐。YOLO的Backbone里那个下采样层，输入尺寸是80×80，80不是16的倍数，NPU硬件自动做了padding补到96，结果坐标全偏了。
这个坑让我意识到：NPU不是万能加速器，它有自己的“脾气”。不懂硬件细节，YOLO跑上去可能比CPU还慢。
二、YOLO在NPU上的计算瓶颈拆解
YOLO系列（v3/v5/v8）的核心计算量集中在三个部分：
卷积层占了总计算量的85%-92%。特别是Backbone里的3×3卷积，CSPDarknet结构里大量使用。每个卷积包含乘加运算（MAC），NPU的脉动阵列（Systolic Array）就是为这个设计的。
上采样层在Neck部分，YOLOv5用最近邻插值，计算量不大但访存模式很“散”。NPU的DMA控制器如果没做预取，这里会卡住流水线。
检测头的1×1卷积和通道压缩，计算量占比不高但精度敏感。量化时这里最容易掉点。
我习惯用Roofline模型分析：YOLOv5s的计算密度大约是200-400 FLOPs/Byte，
