引言：为什么你的YOLO11模型跑得不够快？最近在社区里看到一个很有意思的现象：不少开发者从YOLOv8迁移到YOLO11后，发现模型精度确实提升了，但推理速度反而出现了不升反降的情况。一个典型的反馈来自某工业检测项目——团队在RTX 3060上测试，YOLOv11的推理延迟约15ms/张，而YOLOv8反而只需要12ms。虽然15ms已经很快了，但精度更高反而变慢了，这多少让人有点意难平。为什么会出现这种情况？问题不出在YOLO11本身。Ultralytics官方数据显示，YOLO11相比YOLOv8m参数量减少了22%，训练更快，理论上推理也应该更快才对。那么瓶颈究竟在哪里？答案藏在导出到ONNX再到具体推理引擎的整个中间环节。当你执行一句简单的yolo export model=yolo11n.pt format=onnx时，导出到ONNX的默认版本是opset 19。根据X-AnyLabeling项目团队的实测，YOLOv11默认导出为opset 19的ONNX模型，而早期版本使用opset 17，虽然理论上更高opset应带来更好性能，但实际需要配套的运行时支持。然而即便配套到位，导出的ONNX模型仍然充斥着大量训练时遗留的冗余节点——Dropout（推理时完全无用）、Identity（纯数据搬运）、Reshape冗余等等。这些节点不参与实际计算，却实实在在地增加了模型加载时间、内存占用和推理引擎的解析开销。本文将
YOLO11部署优化：ONNX精简 | 使用ONNX GraphSurgeon剔除冗余节点，配合算子融合，推理延迟再降20%
引言：为什么你的YOLO11模型跑得不够快？最近在社区里看到一个很有意思的现象：不少开发者从YOLOv8迁移到YOLO11后，发现模型精度确实提升了，但推理速度反而出现了不升反降的情况。一个典型的反馈来自某工业检测项目——团队在RTX 3060上测试，YOLOv11的推理延迟约15ms/张，而YOLOv8反而只需要12ms。虽然15ms已经很快了，但精度更高反而变慢了，这多少让人有点意难平。为什么会出现这种情况？问题不出在YOLO11本身。Ultralytics官方数据显示，YOLO11相比YOLOv8m参数量减少了22%，训练更快，理论上推理也应该更快才对。那么瓶颈究竟在哪里？答案藏在导出到ONNX再到具体推理引擎的整个中间环节。当你执行一句简单的yolo export model=yolo11n.pt format=onnx时，导出到ONNX的默认版本是opset 19。根据X-AnyLabeling项目团队的实测，YOLOv11默认导出为opset 19的ONNX模型，而早期版本使用opset 17，虽然理论上更高opset应带来更好性能，但实际需要配套的运行时支持。然而即便配套到位，导出的ONNX模型仍然充斥着大量训练时遗留的冗余节点——Dropout（推理时完全无用）、Identity（纯数据搬运）、Reshape冗余等等。这些节点不参与实际计算，却实实在在地增加了模型加载时间、内存占用和推理引擎的解析开销。本文将
