081、YOLOv11改进-基于L1范数的通道剪枝实现轻量化——即插即用剪枝策略压缩模型50%且mAP仅降0.8%上周在客户现场调试一个边缘部署项目，YOLOv11s跑在Jetson Orin上，帧率死活上不去。看着nvidia-smi里显存占用飙到6.8G，CPU占用率90%多，客户在旁边端着咖啡盯着屏幕，那眼神我懂——再调不出来就换方案了。翻来覆去试了TensorRT、FP16、INT8量化，效果都不理想，直到我把通道剪枝搬出来，模型体积砍了一半，mAP只掉了0.8个点，帧率直接翻倍。今天就把这个实战经验拆开揉碎了讲清楚。为什么L1范数剪枝在YOLOv11上特别香YOLOv11的C2f模块里塞了大量1x1和3x3卷积，这些卷积层的通道数动辄256、512。你仔细看训练好的模型，很多通道的权重其实接近于零——这些就是模型吃进去的冗余参数。L1范数剪枝的核心逻辑很简单：对每个通道的权重求L1范数，数值小的通道对输出贡献有限，直接砍掉。有人会问，为啥不用BN层的gamma值？YOLOv11的某些变体确实没有BN层，或者BN层和卷积层融合后gamma就失效了。L1范数直接作用在卷积权重上，不依赖任何辅助层，这才是真正的即插即用。踩过的坑：直接剪枝会导致梯度爆炸第一次尝试的时候，我直接把权重L1范数低于阈值的通道置零，然后继续训练。结果loss直接飞到天上去了，mAP从0.85掉到0.3。后来翻了几篇剪枝论文才明白，粗暴置零会破坏特征分布，模型需要重新适应。正确的做法是分三步走：稀疏化训练→通
