090、YOLOv11改进-交通标志与行人检测的轻量化方案——基于MobileNetv4骨干替换与通道剪枝的即插即用模块，参数量减少40%且mAP提升1.8%上个月在给一个自动驾驶客户做交通标志检测时，对方提了个让我头疼的要求：模型必须能在Jetson Nano上跑到30fps以上，同时mAP不能低于0.75。我试了YOLOv11n，参数量倒是小，但小目标检测效果惨不忍睹，交通标志牌经常漏检。换成YOLOv11s，精度上去了，推理速度直接掉到18fps。客户说"你们不是做轻量化吗？"——这句话让我在工位上坐了一下午。后来我翻出了MobileNetv4的论文，发现它的Inverted Bottleneck with Depthwise Separable结构在保持特征表达能力的同时，计算量比YOLOv11原版的C2f模块低了将近一半。但直接替换骨干网络有个坑：MobileNetv4的输出通道数和YOLOv11的Neck不匹配，强行拼接会导致特征图尺寸对不上。更麻烦的是，替换后模型虽然小了，但精度掉了2.3个点——客户要的是"又小又准"，不是"小了但废了"。核心思路：不是简单替换，是结构适配我踩的第一个坑就是直接把MobileNetv4的backbone怼上去，结果Neck部分的通道数从256变成了96，特征融合直接崩了。正确的做法是保留YOLOv11的SPPF和Neck结构，只替换backbone部分，同时在MobileNetv4的输出层加一个1x1卷积做通道对齐。这个1x1卷积不能随便加——我试过用3x3，参数量直接涨了15%，效果还没1x1好。Mobile
090、YOLOv11改进-交通标志与行人检测的轻量化方案——基于MobileNetv4骨干替换与通道剪枝的即插即用模块，参数量减少40%且mAP提升1.8%上个月在给一个自动驾驶客户做交通标志检测时，对方提了个让我头疼的要求：模型必须能在Jetson Nano上跑到30fps以上，同时mAP不能低于0.75。我试了YOLOv11n，参数量倒是小，但小目标检测效果惨不忍睹，交通标志牌经常漏检。换成YOLOv11s，精度上去了，推理速度直接掉到18fps。客户说"你们不是做轻量化吗？"——这句话让我在工位上坐了一下午。后来我翻出了MobileNetv4的论文，发现它的Inverted Bottleneck with Depthwise Separable结构在保持特征表达能力的同时，计算量比YOLOv11原版的C2f模块低了将近一半。但直接替换骨干网络有个坑：MobileNetv4的输出通道数和YOLOv11的Neck不匹配，强行拼接会导致特征图尺寸对不上。更麻烦的是，替换后模型虽然小了，但精度掉了2.3个点——客户要的是"又小又准"，不是"小了但废了"。核心思路：不是简单替换，是结构适配我踩的第一个坑就是直接把MobileNetv4的backbone怼上去，结果Neck部分的通道数从256变成了96，特征融合直接崩了。正确的做法是保留YOLOv11的SPPF和Neck结构，只替换backbone部分，同时在MobileNetv4的输出层加一个1x1卷积做通道对齐。这个1x1卷积不能随便加——我试过用3x3，参数量直接涨了15%，效果还没1x1好。Mobile
)
