目录车牌检测 YOLOv11n（推荐·CPU） 完全指南：原理、TigerPro 接入、代码实战与落地案例（`yolov11-license-plate-n`）1. 开篇：这个模型解决什么问题1.1 目标检测在业务里真正交付什么1.2 输出如何被下游消费1.3 复杂度与评测口径（加分项）1.4 适合用 / 不适合用2. 模型名片与能力边界2.1 规格速查表2.2 输入输出约定（实施视角）2.3 资源与性能预期（经验区间，需本机实测）3. 在 TigerPro 架构中的位置3.1 与同分类模型的关系3.2 和平台其它模块怎么接线4. 使用教程：从零跑通到可验收4.1 准备权重（最容易翻车的一步）4.2 业务页操作清单4.3 列出并校验模型（必跑）4.4 业务调用示例4.5 命令行与前端选型4.6 推荐调参表5. 落地案例（可照着做）5.1 主案例：YOLOv11n 车牌5.2 对照案例：同场景换模型会怎样5.3 验收表（复制到飞书/表格）5.4 小故事：一次真实风格的排障路径（围绕 `yolov11-license-plate-n`）6. 优缺点、风险与替代7. 避坑清单（排障优先级）8. 工程化建议与监控8.1 部署检查清单8.2 日常观察8.3 安全与合规9. 常见问题 FAQ10. 文末互动11. 下篇预告12. 参考资料13. 原理深化与可视化（技术深度）13.1 为什么「能出结果」不等于「可上线」13.2 建议的对照实验设计（可直接抄）14. 数据配方与样本工程14.1 最小可行样本集（MVP）14.2 标注与真值14.3 域偏移应对15. 性能压测与容量规划15.1 压什么15.2 简易压测脚本思路15.3 容量经验法则16. 生产发布 SOP（可打印）16.1 发布前（针对 `yolov11-license-plate-n`）16.2 发布中16.3 发布后17. 与 TigerPro 模块联调要点18. 进阶 FAQ 与决策树18.1 选型决策树（文字版）19. 本篇速查卡（可裁剪转发）附录补强 1：落地时的沟通话术、分工与复盘车牌检测 YOLOv11n（推荐·CPU） 完全指南：原理、TigerPro 接入、代码实战与落地案例（yolov11-license-plate-n）系列：TigerPro AI 模型手册（12/110）· 分类：交通车辆你能带走什么：原理边界、规格表、完整接入步骤、可运行代码、双案例、调参表、避坑与验收清单。适用读者：CV_PyhonVue_Tigerpro 研发 / 实施 / 算法联调同学。github地址:Tiger AI Plateform项目采用Apache License 2.0开源协议发布；请合法合规使用；https://github.com/5758703/CV_PythonVue_TigerPro1. 开篇：这个模型解决什么问题YOLOv11 nano 车牌定位（morsetechlab）。CPU 友好，车辆追踪号牌检测推荐。一句话记忆：车牌检测 YOLOv11n（推荐·CPU）的modelKey是yolov11-license-plate-n，任务是目标检测（object-detection），前端主要在车辆追踪（/ai/vehicle），典型场景是「YOLOv11n 车牌」。如果你只想最快跑通：先保证权重目录非空，再在对应业务页下拉选中本模型，用 5~10 条真实样本冒烟。如果你要对齐 CSDN 高质量博文标准：请继续读完整篇——后面包含原理边界、对照实验、压测、数据配方、发布 SOP 与决策树。1.1 目标检测在业务里真正交付什么车牌检测 YOLOv11n（推荐·CPU）（yolov11-license-plate-n）属于目标检测：对每一帧输入输出一组框( x 1 , y 1 , x 2 , y 2 ) (x_1,y_1,x_2,y_2)(x1,y1,x2,y2)、类别 id/名称与置信度s ∈ [ 0 , 1 ] s\in[0,1]s∈[0,1]。检测不是「看图说话」，而是把非结构化像素变成可检索、可告警、可追踪的结构化事件。在园区安防里，检测结果会进入告警规则引擎；在交通卡口里，检测框会裁剪给 OCR；在跨镜 MTMC 里，检测框是局部追踪与 ReID 提特征的唯一入口。工程上要同时盯三件事：召回（漏检）、精度（误报）、延迟（能否跟得上抽帧）。三者互相拉扯——把 conf 提到0.6 0.60.6误报下降但漏检上升；把分辨率提到 1080p 精度更好但 CPU 吃紧。TigerPro 建议先用默认参数跑通链路，再用验收表做网格搜索，而不是一上来「玄学调参」。1.2 输出如何被下游消费常见下游有四类：① 可视化叠加（监控墙 MJPEG）；② 事件入库（检测记录/告警）；③ 二次模型（车牌 OCR、姿态、分割）；④ 追踪关联（ByteTrack/IoU + 全局 ReID）。因此选检测模型时，不要只看 COCO mAP，还要看「小目标」「遮挡」「夜间」是否覆盖你的摄像头视角。1.3 复杂度与评测口径（加分项）单帧推理可粗写为T f r a m e ≈ T p r e + T n e t + T n m s T_{\mathrm{frame}} \approx T_{\mathrm{pre}} + T_{\mathrm{net}} + T_{\mathrm{nms}}Tframe≈Tpre+Tnet+Tnms。其中 NMS 在候选框数为n nn时近似O ( n log n ) O(n\log n)O(nlogn)到O ( n 2 ) O(n^2)O(n2)量级，密集人群会放大后处理占比。业务验收请同时报：mAP@0.5、漏检率、P95 延迟、每小时误报条数——四者缺一，线上扯皮成本极高。1.4 适合用 / 不适合用更适合不太适合业务明确需要 目标检测，且已有或可采集对应样本期望「一个模型包打天下」跨任务硬套能接受本地权重部署与 TigerPro 页面选型权重无法落地、只能纯云端且无替代接口需要与告警/追踪/MTMC/OCR 等模块组合只要一次性演示、不愿做验收与监控愿意维护金标集与版本回滚拒绝记录指标、只凭主观「看起来行」选型时把yolov11-license-plate-n放进「候选短名单」，用同一批样本对比同分类相邻模型的延迟与误差，再锁生产版本。短名单建议不超过 3 个 modelKey，否则对照实验会拖成月度项目。2. 模型名片与能力边界2.1 规格速查表项内容显示名称车牌检测 YOLOv11n（推荐·CPU）modelKeyyolov11-license-plate-n业务分类交通车辆任务类型object-detection（目标检测）推理框架/库ultralytics版本标签v11登记来源seed:_ensure_ai_model权重相对路径uploads/models/yolov11-license-plate-n前端入口车辆追踪 →/ai/vehicle典型场景YOLOv11n 车牌上游地址https://huggingface.co/morsetechlab/yolov11-license-plate-detection#license-plate-finetune2.2 输入输出约定（实施视角）维度说明输入按任务可能是图片/视频帧/音频/文本；页面/ai/vehicle决定表单字段输出框/掩码/关键点/向量/文本/音频等；最终以后端 JSON 或文件流为准状态AiModel.status 启用 + file_path 非空才可稳定推理失败表现400/空列表/回退模型/日志 traceback，优先查权重与 task2.3 资源与性能预期（经验区间，需本机实测）环境预期建议笔记本 CPU可冒烟，延迟可能数百毫秒到数秒降分辨率/降 FPS/用 nano 或量化服务器多核 CPU可小并发限流 + 队列GPU视频与大批量更舒服注意显存与多模型争用3. 在 TigerPro 架构中的位置TigerPro 的模型不是散落脚本，而是「登记 → 绑定权重 → 业务页选择 → services 推理 → 展示/告警/入库」。本模型yolov11-license-plate-n同样走这条链路。理解位置，才能在监控墙、MTMC、告警之间排障。