道路坑洞检测，是目标检测落地中最“分裂”的任务之一。
晴天正午的沥青路面上，一个 30×30 像素的浅坑，YOLOv11n 可以在 Jetson Orin Nano 上跑出 30 FPS 以上，mAP@0.5 轻松站上 0.9。但同一套模型放到雨夜的车载前视画面里，水膜反光、雨滴折射、低照度噪声叠加在一起，同一个坑洞可能连续十几帧都“消失”在特征图上。精度和速度在这里不是一条平滑的权衡曲线，而是被环境条件撕成了多个互不兼容的局部最优。
更现实的问题是：车载边缘设备的算力预算是固定的。Orin NX 的 GPU 不会因为今天下雨就多出 50% 的算力，产线也不会为“雨天模式”单独预埋一颗芯片。真正有工程价值的命题，不是“哪个模型在某个数据集上 mAP 最高”，而是“在给定的环境条件组合下，模型尺度、量化精度和推理后端如何组合，才能在不突破延迟天花板的前提下，把漏检压到可接受范围”。
这篇文章围绕这个命题展开。所有数据来自 2026 年已公开发表的论文、官方文档和可复现的开源基准，不编造“理论值”，只谈被实际测出来的数字。
一、先看架构：YOLOv11 为坑洞检测带来了什么
在讨论环境条件之前，需要先理解 YOLOv11 的架构变化为什么和坑洞检测这件事直接相关。
根据 Ultralytics 官方文档（作者 Glenn Jocher 与 Jing Qiu，发布日期 2024-09-27，持续维护至 2026 年），YOLO11 的核心改动集中在三个模块上：
C3k2 替代 C2f。
