049、YOLOv11轻量化剪枝——基于L1范数的通道剪枝实现YOLOv11轻量化的即插即用代码与精度保持一、从一次部署翻车说起去年有个项目，客户要求把YOLOv11s塞进一块边缘计算板子，算力大概只有RTX3060的十分之一。我一开始觉得问题不大，YOLOv11s本身已经比v8小了不少，结果一跑——帧率只有7FPS，推理延迟直接飙到140ms。翻看nvidia-smi，显存占用倒是还好，但计算单元利用率一直上不去，明显是模型体积和计算量跟硬件不匹配。常规做法是换更小的模型，比如YOLOv11n，但客户对mAP有硬性要求，不能低于0.5。试了一下YOLOv11n，mAP直接从0.53掉到0.46，完全没法交差。这时候就得动剪枝的心思了——不是简单换模型，而是把YOLOv11s里冗余的通道砍掉，保留关键特征提取能力，同时把计算量降下来。L1范数通道剪枝是我在这个场景下试过最稳的方案。原理不复杂：每个卷积层的输出通道，如果对应的BN层缩放因子（gamma）接近0，说明这个通道对后续特征贡献很小，砍掉它基本不影响精度。YOLOv11的C2f模块和Detect头里大量使用了BN层，天然适合这种剪枝方式。二、剪枝前的准备工作——别急着动手先确认一件事：你的YOLOv11模型是不是标准的训练流程出来的。如果用了EMA、标签平滑、或者自定义的损失函数，剪枝策略需要微调。我这里假设你用的是ultralytics官方仓库训练的模型，权重文件是.pt格式。剪枝前一定要做一次完整评估，记录baseline。我习惯用这段代码跑一