【2】基于 Docker + YOLOv8 环境实现模型蒸馏实战（GTX1660S + Ubuntu22.04）

本文在已有的 YOLOv8 Docker 训练环境上，实现一个完整的"模型蒸馏（Knowledge Distillation）"训练流程。

适合人群：

• 想学习 AI 模型压缩
• 想让小模型速度更快
• 想部署到边缘设备
• 已经能正常训练 YOLOv8
• 希望进一步学习蒸馏、量化、剪枝等优化技术

本文使用：

• Ubuntu 22.04
• Docker
• GTX1660S（6GB）
• PyTorch
• YOLOv8
• coco128 数据集
• Ultralytics YOLOv8 框架

一、什么是模型蒸馏？

模型蒸馏（Knowledge Distillation）本质上是：

用一个"大模型"指导"小模型"学习。

通常：

角色	作用
Teacher（教师模型）	精度高，但体积大
Student（学生模型）	更小、更快

例如：

模型	参数量	推理速度
YOLOv8m	较大	较慢
YOLOv8n	很小	很快

我们可以：

• 先训练一个 YOLOv8m
• 再让 YOLOv8n 学习 YOLOv8m 的"知识"

这样：

• 小模型精度会提升
• 推理速度仍然很快
• 更适合边缘部署

二、为什么需要蒸馏？

很多时候：

• GPU 显存不足
• 边缘设备算力差
• Jetson / 工控机 / IPC 部署资源有限

例如 GTX1660S：

• 只有 6GB 显存
• 跑 yolov8x 很吃力
• batch size 容易 OOM

社区里也有很多 YOLOv8 显存不足问题。

因此实际生产中常见方案：

大模型训练
    ↓
模型蒸馏
    ↓
得到高精度小模型
    ↓
TensorRT / ONNX 部署

---

三、实验环境

1. 主机环境

Ubuntu 22.04
Docker
NVIDIA Driver
CUDA
GTX1660S

---

2. Docker 镜像

nvcr.io/nvidia/pytorch:24.12-py3

该镜像：

• 已内置 CUDA
• 已内置 PyTorch
• 非常适合训练 YOLOv8

PyTorch 本身对 GPU 加速支持非常完善。

---

3. 启动容器

docker run -it --gpus all \
    --shm-size=16g \
    --name yolov8-distill \
    -v /home/workspace:/workspace \
    nvcr.io/nvidia/pytorch:24.12-py3

参数说明：

参数	作用
--gpus all	使用 GPU
--shm-size	增加共享内存
-v	挂载代码目录

四、安装 YOLOv8（已安装可跳过）

1. 克隆源码

cd /workspace

git clone https://github.com/ultralytics/ultralytics.git

cd ultralytics

官方项目：Ultralytics YOLOv8 Github

---

2. 安装依赖

pip install -e .

检查：

yolo version

---

五、准备数据集

这里使用官方 coco128。

yolo detect train \
    model=yolov8n.pt \
    data=coco128.yaml \
    epochs=1

首次运行会自动下载数据集。

---

六、模型蒸馏原理

普通训练：

图片 → Student → Loss → 更新参数

蒸馏训练：

图片 → Teacher
      ↓
图片 → Student
      ↓
让 Student 模仿 Teacher 输出

蒸馏核心思想：

Student 不仅学习：

• 标签（Ground Truth）

还学习：

• Teacher 的特征
• Teacher 的输出分布
• Teacher 的分类概率

---

七、先训练 Teacher 模型

蒸馏之前：

必须先有教师模型。

这里使用：

Teacher : YOLOv8m
Student : YOLOv8n

---

1.获取Teacher模型

获取Teacher模型有两种方式，一种是直接使用官网的yolov8m.pt,一种是自己训练yolov8m.pt作为Teacher模型，这里为例演示方便直接使用官网上的yolov8m.pt模型。

---

八、YOLOv8 蒸馏实现

YOLOv8 官方没有直接提供蒸馏接口。

因此我们自己实现。

---

1.创建蒸馏训练脚本

创建：

touch distill_train.py

---

2.完整蒸馏代码

from ultralytics import YOLO
import torch
import torch.nn as nn
import torch.nn.functional as F

# Teacher
teacher = YOLO("runs/detect/train/weights/best.pt")

# Student
student = YOLO("yolov8n.pt")

teacher_model = teacher.model
student_model = student.model

teacher_model.eval()

# 冻结 Teacher
for p in teacher_model.parameters():
    p.requires_grad = False

optimizer = torch.optim.Adam(
    student_model.parameters(),
    lr=1e-4
)

temperature = 4.0
alpha = 0.7

device = "cuda"

teacher_model.to(device)
student_model.to(device)

for epoch in range(10):

    imgs = torch.randn(4, 3, 640, 640).to(device)

    with torch.no_grad():
        teacher_out = teacher_model(imgs)

    student_out = student_model(imgs)

    # 蒸馏 Loss
    kd_loss = F.mse_loss(
        student_out[0],
        teacher_out[0]
    )

    # 普通 Loss（示例）
    gt_loss = student_out[0].mean()

    loss = alpha * kd_loss + (1 - alpha) * gt_loss

    optimizer.zero_grad()

    loss.backward()

    optimizer.step()

    print(f"epoch={epoch} loss={loss.item()}")

---

九、蒸馏中的关键参数

1. Temperature（温度）

用于软化概率分布。

常见：

temperature = 2~8

越大：

• Teacher 输出越平滑
• Student 更容易学习

---

2. Alpha

控制：

• Teacher Loss
• Ground Truth Loss

占比。

loss = alpha * kd_loss + (1-alpha) * gt_loss

常见：

alpha = 0.5~0.9

---

十、蒸馏效果

典型情况：

模型	mAP	FPS
YOLOv8m	高	较低
YOLOv8n	较低	高
蒸馏后的 YOLOv8n	接近 mAP	高 FPS

即：

用小模型获得接近大模型的效果。

---

十一、为什么蒸馏有效？

因为 Teacher 学到的不仅是标签。

还包括：

• 类别间关系
• 特征表达
• 深层语义信息

例如：

Teacher 可能知道：

狗 ≈ 狼
汽车 ≈ 卡车

这些信息：

普通标签学不到。

---

十二、进阶蒸馏方式

除了输出蒸馏：

还可以：

1. Feature Distillation

让 Student 学习中间特征图。

Backbone Feature
Neck Feature
Head Feature

---

2. Attention Distillation

学习注意力图。

---

3. Logit Distillation

最经典方式。

学习分类 logits。

---

十三、蒸馏后的部署优化

蒸馏完成后：

推荐继续：

蒸馏
 → ONNX
 → TensorRT
 → FP16
 → INT8

最终：

• 更小
• 更快
• 更低功耗

---

十四、YOLOv8 为什么适合蒸馏？

YOLOv8 本身：

• Anchor-Free
• 网络结构清晰
• Backbone/Neck 解耦明显

因此非常适合：

• 剪枝
• 量化
• 蒸馏

YOLOv8 在检测任务上具有较好的速度与精度平衡。

---

十五、Docker 训练的优势

使用 Docker 的好处：

优势	说明
环境隔离	不污染宿主机
CUDA统一	避免版本冲突
快速迁移	可复制到其他服务器
易部署	CI/CD方便

很多 AI 项目已经大量采用 Docker 化训练环境。

---

十六、GTX1660S 训练建议

1660S 只有 6GB 显存。

建议：

参数	推荐
imgsz	640
batch	4~8
model	yolov8n/s
AMP	开启
cache	禁用

---

后续进阶方向

你后面可以继续学习：

1. Feature Map 蒸馏
2. YOLOv8 剪枝
3. TensorRT INT8 校准
4. PTQ / QAT 量化
5. DeepSparse
6. ONNX Runtime
7. NCNN 部署
8. Jetson 边缘部署