从一次深夜调试说起
上周团队里新来的小伙子跑来找我，说他的YOLO模型在嵌入式板子上推理速度比预期慢了整整三倍。我让他把预处理部分的代码拉出来看——好家伙，他在循环里逐帧做归一化计算，还用了Python的列表推导处理张量。
这种写法在PC上跑demo没问题，一到资源受限的环境直接现原形。这让我想起面试时经常碰到的情况：候选人能把YOLO的网络结构背得滚瓜烂熟，真问到工程落地细节却支支吾吾。今天咱们就聊聊YOLOv11面试里那些真正能看出水平的考点。
基础概念：别只背结构图
面试官问你YOLOv11的改进点，要是只回答“用了新的CSP结构、改进的损失函数”，大概率会被追问到哑火。你得知道这些改动到底解决了什么问题。
比如CSPNet的跨阶段部分连接，核心思想是通过分割特征图通道，一部分直接传递到下一阶段，另一部分经过密集块处理再传递。这样做的实际效果是减少了计算量同时保持了梯度多样性。
但这里有个坑：通道分割的比例怎么定？实验数据表明1:1在大多数场景下效果不错，但遇到小目标检测任务可能需要调整。你要是能在面试中提到这个细节，面试官眼睛会亮一下。
损失函数从CIoU变成EIoU也是个高频考点。CIoU考虑重叠区域、中心点距离和长宽比，但长宽比的惩罚项有时候会导致优化方向不稳定。EIoU把长宽比的惩罚拆成宽度和高度的独立惩罚，收敛更平滑。实际训练时你会发现，同样的学习率下EIoU的loss下降曲线就是更稳一些。
工程实现：那些容易踩坑的地方
预处理部分，很多人忽视这个环节。YOLO的
