本研究提出了适用于边缘设备的全新边缘GPU友好模块，用于实现多尺度特征交互。该模块通过弥补特征尺度之间的缺失，改善了模型的准确性和执行效率。除此之外，研究还研发了一种创新的迁移学习骨干网络采用方式，受不同任务间信息传递流动的启发，旨在与特征交互模块相结合，以提升各类边缘GPU设备的准确性和执行速度。例如，在Jetson Nano上，基于MobileNetV2x0.75骨干网络的YOLO-ReT能够实时运行，在Pascal VOC数据集上达到了68.75的mAP，在COCO数据集上达到了34.91的mAP，分别比同类方法提高了3.05的mAP和0.91的mAP，并且速度更快，提升了3.05帧每秒。此外，引入了多尺度特征交互模块，将YOLOv4-tiny和YOLOv4-tiny (3l)在COCO数据集上的性能分别提高到了41.5和48.1的mAP，比原始版本分别提升了1.3和0.9的mAP。这些创新成果具有重要的学习和应用价值。