1. 课程导论：YOLOv11结构化剪枝与模型瘦身
1.1 YOLOv11模型结构回顾
YOLOv11，说白了就是YOLO系列的最新进化版。它延续了「一次看全图，直接出结果」的核心思想，但内部结构已经跟早期的v3、v5完全不是一个物种了。
我个人习惯把YOLOv11的结构拆成三块来看：
- Backbone（骨干网络）：负责提取图像特征。v11用的是改进版的CSPDarknet，里面塞了不少跨阶段局部连接，说白了就是让信息流动更顺畅。
- Neck（颈部）：负责特征融合。这里用了FPN+PAN的结构，把不同尺度的特征图揉在一起。我在项目中遇到过一个问题——Neck层往往是参数量的大头，剪枝时得重点关照它。
- Head（检测头）：负责输出最终结果。v11的Head做了解耦设计，分类和回归各走各的分支，精度确实上去了，但参数量也跟着涨了。
嗯，这里要注意：v11的Head里有很多3×3卷积，每个卷积后面都跟着BN层和激活层。这些BN层的缩放因子γ，就是我们剪枝时的重要依据。
核心记忆点： YOLOv11的参数量通常在60M-100M之间，其中卷积层占了80%以上。剪枝的目标就是砍掉那些「不重要」的卷积通道，让模型变轻、变快。
1.2 为什么需要剪枝？
你想想看，一个YOLOv11模型跑在云端GPU上，可能也就几十毫秒的延迟。但要是把它部署到手机、无人机或者嵌入式设备上呢？
我曾经帮一个客户做无人机巡检项目。模型在RTX 3090上跑得飞起，一上Jetson Nano，帧率直接掉到个位数。客户问我：「能不能让模型跑快点，但别掉太多精度？」
这就是剪枝要解决的问题。具体来说，剪枝能带来三个好处：
| 维度 | 剪枝前 | 剪枝后（典型值） | 提升幅度 |
|---|---|---|---|
| 模型体积 | 120 MB | 30-50 MB | ↓ 60%-75% |
| 推理速度 | 30 FPS | 60-90 FPS | ↑ 2-3倍 |
| 内存占用 | 2.1 GB | 0.8-1.2 GB | ↓ 40%-60% |
| 功耗 | 高 | 中低 | 显著降低 |
说白了，剪枝就是用「可接受的精度损失」换取「大幅度的性能提升」。对于工业落地来说，这笔账怎么算都划算。
1.3 结构化剪枝 vs 非结构化剪枝
很多初学者会问：「剪枝不就是把权重设成0吗？」嗯，没那么简单。这里有两个完全不同的流派。
非结构化剪枝：把单个权重值设成0。好处是压缩率高，坏处是权重矩阵变得稀疏，没有专门的硬件加速，推理速度反而可能变慢。我在早期项目里试过，结果模型文件是小了，但跑起来该慢还是慢。
结构化剪枝：直接砍掉整个通道、整个卷积核或者整个层。砍完之后模型结构还是规整的，可以直接用通用框架加速。这也是本课程的核心方法。
我的建议： 工业落地首选结构化剪枝。虽然压缩率不如非结构化，但胜在「即剪即用」，不需要依赖特殊的稀疏计算库。
两者的核心区别，我整理了一张表：
| 对比维度 | 非结构化剪枝 | 结构化剪枝 |
|---|---|---|
| 剪枝粒度 | 单个权重 | 通道/卷积核/层 |
| 模型结构 | 稀疏矩阵 | 规整张量 |
| 硬件加速 | 需专用库 | 通用加速 |
| 压缩率 | 高（10x-50x） | 中（2x-5x） |
| 精度恢复 | 较难 | 较易（可微调） |
| 部署难度 | 高 | 低 |
避坑指南： 我曾经在剪枝时踩过一个坑——对BN层的γ值做全局阈值剪枝，结果把某些层的所有通道都剪光了，导致网络断裂。后来我改用「按层保留比例」的策略，才解决了这个问题。后面章节会详细讲。
1.4 课程目标与前置知识
这门课的目标很明确：让你能独立完成YOLOv11的结构化剪枝，并部署到实际设备上。具体来说，学完之后你应该能做到：
- 理解YOLOv11的每一层结构，知道哪些层可以剪、哪些不能动
- 用BN层的γ值评估通道重要性，制定剪枝策略
- 动手实现通道剪枝、层剪枝，并做微调恢复精度
- 把剪枝后的模型导出为ONNX/TensorRT，部署到边缘设备
前置知识方面，你需要：
- 熟悉Python和PyTorch基础操作
- 了解卷积神经网络的基本概念（卷积、池化、BN、激活）
- 跑过YOLOv11的训练或推理（哪怕只是跑通demo也行）
如果你还不太熟悉YOLOv11的代码结构，别担心——第2章我会带着你一行一行拆源码。
1.5 本章知识体系总览
下面这张图，是我自己画的知识体系框架。你可以把它当成整门课的地图：
这张图把整门课的核心脉络串起来了。从模型结构出发，到剪枝理论，再到实战流程，最后落地部署。每一章都会围绕这个框架展开。