YOLOv11 改进入门篇 | 轻量级涨点技巧：GhostConv 替代普通卷积的实战指南

YOLOv11 改进入门篇 | 轻量级涨点技巧：GhostConv 替代普通卷积的实战指南

一、前言：为什么选择 GhostConv？

YOLOv11 在继承 YOLOv8 高效架构的同时，进一步加深了网络（C3K2、C2PSA 等），带来了更高的 mAP，但也导致：

1. 参数量激增：nano 级模型从 2.0 M 涨到 2.6 M；
2. 边缘端推理延迟：Jetson Xavier NX 上 FPS 从 90 跌到 65；
3. 内存占用高：移动端 4 GB RAM 场景容易 OOM。

GhostConv 通过“本征特征 + 廉价线性变换”思想，在精度几乎无损的情况下，将计算量降低 30 %–50 %，已经成为轻量化的“标配插件”。本文将以 YOLOv11n 为例，手把手完成 GhostConv 替换全流程，并给出可复现的代码与实验结论。

---

二、GhostConv 原理深度解析

2.1 核心思想

GhostConv 把普通卷积拆成两步：

1. Primary Convolution：1×1 卷积压缩通道，输出 C_out / rat