189、YOLOv11 结构化剪枝实战三：不同剪枝率 0.3/0.5/0.7 的精度-速度-Params 曲线

189、YOLOv11 结构化剪枝实战三：不同剪枝率 0.3/0.5/0.7 的精度-速度-Params 曲线上周有个读者在群里发了个截图，YOLOv11s 剪枝到 0.5 后 mAP 掉了 12 个点，但 FLOPs 只降了 18%。我一看代码，他用的是全局随机剪枝，把 backbone 里那些 1x1 的 bottleneck 全给干掉了。这种坑我踩过三次，第一次在 YOLOv5 上，第二次在 YOLOv8 上，第三次……好吧，第三次还是没长记性。结构化剪枝不是简单地把权重置零，而是要把整个通道或者卷积核物理移除。今天这篇我们直接上不同剪枝率的对比实验，从 0.3 到 0.7，看看精度、速度、参数量这三者到底怎么 trade-off。剪枝策略的选择：别用 L1 范数排序很多人一上来就用 L1 范数对 BN 层的 gamma 排序，然后砍掉最小的。这个做法在分类网络上还行，但在 YOLO 这种检测模型上，你会发现剪掉 30% 后，小目标直接消失。我现在的做法是：基于梯度敏感度 + 层级稀疏度约束。具体来说，对每个 BN 层的 gamma，计算它在验证集上的梯度，然后乘以 gamma 的绝对值，得到一个“重要性分数”。这样那些虽然 gamma 小但梯度大的通道会被保留——它们可能是某些小目标检测的关键路径。# 计算通道重要性：梯度 * gamma 绝对值