针对金属原材料表面的缺陷检测问题，设计了一种基于轻量化YOLOv8s的改进模型。首先，对YOLOv8s模型进行稀疏化训练，并对归一化(batch normalization, BN)层进行通道剪枝，降低模型的参数量。同时，因为对模型剪枝后，损失了一定的精度，所以使用知识蒸馏技术辅助模型并且微调，将模型的精度拉到剪枝之前的精度左右。将损失函数替换为一种基于归一化Wasserstein距离的新度量(normalized Wasserstein distance, NWD),有效提升模型检测小目标的性能。再加入极化自注意力机制(polarized self-attention, PSA),可以有效地完成特征融合。实验数据表明，改进后的YOLOv8s模型在GC10-DET数据集上的平均精度相比原来的网络模型提高了2.3%,模型参数量下降了23.3%,召回率提高了4.6%,能够很好地完成对金属表面缺陷进行检测的需求。