【YOLOv11】060、YOLOv11在零售业实战：商品识别与货架分析的坑与经验

昨天深夜调一个模型，仓库现场的工控机跑推理时FPS掉到个位数。明明在Tesla V100上能跑到120帧，换到Jetson AGX Xavier就卡成幻灯片。问题出在模型输出层的后处理——那些没做TensorRT优化的循环遍历，在边缘设备上直接成了性能瓶颈。这个场景让我想起零售业部署YOLO模型的典型困境：实验室精度很高，落地时却总在奇怪的地方栽跟头。

一、零售场景的输入数据陷阱

零售业的图像采集环境比想象中复杂。超市顶部的摄像头有鱼眼畸变，货架边缘的商品会被拉伸变形。直接拿COCO预训练模型去推理，mAP可能掉20个百分点以上。

# 错误示范：直接推理不做适配results=model(img_array)# 这里必踩坑！# 建议写法：零售业图像预处理流水线defretail_preprocess(image_pa