1. 课程导学与边缘计算概述

各位同学，欢迎来到《YOLOv11模型压缩与边缘端部署实战》的第一章。

我是这门课的主讲。在AI部署这个领域摸爬滚打了七八年，踩过的坑比走过的路还多。今天咱们先不急着敲代码，把地基打牢。

这一章，我会带你搞清楚三件事：YOLOv11到底强在哪、边缘计算是个什么概念、以及我们这门课要带你走到哪。

1.1 YOLOv11：不止是快了一点

YOLO系列，做视觉的应该都不陌生。从v1到v11，我几乎每个版本都跟过。说实话，v11给我的感觉是——它终于把“精度”和“速度”这对冤家撮合到一起了。

YOLOv11的核心改进，我总结为三点：

• 更高效的Backbone：引入了新的C2f模块变体，特征提取更充分，计算量却没怎么涨。
• 解耦头升级：分类和回归分支各自优化，收敛更快，小目标检测能力明显提升。
• 动态标签分配：训练时自动匹配正负样本，省去了手动调参的麻烦。

你可能会问：“v10也挺好啊，为什么非要升v11？”

嗯，我举个例子。之前我在一个智慧园区项目里用v8做行人检测，一到黄昏光线差的时候，漏检率就飙到15%。换成v11之后，同样的场景，漏检率降到了5%以下。这就是动态标签分配带来的红利——它对光照变化、遮挡这些复杂场景更鲁棒。

1.2 边缘计算：为什么非它不可？

边缘计算，说白了就是把计算搬到数据产生的地方，而不是把数据传回云端。

为什么要这么做？三个字：快、省、稳。

对比维度	云端推理	边缘推理
延迟	50-200ms（含网络传输）	5-30ms（本地处理）
带宽成本	高（视频流持续上传）	低（只传结果或告警）
隐私安全	数据需上传，有泄露风险	数据本地处理，更安全
离线能力	依赖网络，断网即停	完全离线运行

我在做一个工厂质检项目时，客户要求检测结果必须在100ms内反馈。云端方案来回传输就要80ms，留给推理的时间只剩20ms，根本跑不动。最后换成边缘方案，Jetson本地推理只用了15ms，整个流程控制在50ms以内。这就是边缘计算不可替代的地方。

1.3 典型边缘设备：选对工具，事半功倍

市面上的边缘设备很多，但真正适合跑YOLOv11的，我重点推荐这三类：

1.3.1 NVIDIA Jetson 系列

Jetson是当前生态最成熟的边缘AI平台。从Orin NX到AGX，覆盖了从低功耗到高性能的全场景。

• 优势：CUDA/TensorRT深度优化，模型转换工具链完善，社区资源丰富。
• 适合场景：自动驾驶、机器人、智慧安防。
• 我常用的配置：Jetson Orin NX 16GB，跑YOLOv11s量化版，1080P视频流能做到30FPS。

1.3.2 Rockchip RK3588 系列

国产芯片的扛把子。RK3588的NPU算力达到6TOPS，关键是成本低、功耗低。

• 优势：性价比极高，国产化替代首选，支持RKNN工具链。
• 适合场景：智慧零售、工业视觉、边缘盒子。
• 注意：RKNN工具链对模型算子有一定限制，需要做适配。我在一个智慧门禁项目里，花了两天时间才把YOLOv11的某些算子替换掉。

1.3.3 手机端（高通/联发科）

手机端的AI推理，这几年进步飞快。高通Snapdragon的Hexagon DSP、联发科的APU，都能跑轻量级模型。

• 优势：普及率高，无需额外硬件，适合C端应用。
• 适合场景：移动端AR、实时美颜、文档扫描。
• 挑战：功耗和散热限制严格，模型必须极致轻量化。

1.4 课程目标与学习路径

这门课的目标很明确：让你能独立完成一个YOLOv11模型从训练到边缘端部署的全流程。

具体来说，学完这门课，你应该能做到：

1. 掌握模型压缩技术：剪枝、量化、蒸馏，知道什么时候用哪种。
2. 熟练使用部署工具链：TensorRT、ONNX Runtime、RKNN、NCNN，至少精通一个。
3. 解决实际部署问题：精度损失、算子兼容、内存优化，遇到问题知道怎么排查。
4. 完成一个完整项目：从数据集准备到边缘设备上跑通，全程自己搞定。

下面是这门课的知识体系框架，我画了一张图，方便你理解各个模块之间的关系：

学习路径上，我建议你按顺序来。先打好基础，再学压缩技术，然后熟悉工具链，最后上手部署。不要一上来就想着在手机上跑模型——我见过太多人跳过压缩步骤，结果模型在设备上跑不起来，又回头重新学。