092、VanillaNet 深度训练策略在 YOLOv11 中的应用：浅层训练深层推理的等效合并方案一、从一次诡异的显存爆炸说起去年年底帮一个自动驾驶团队调YOLOv11的部署模型，对方反馈了一个让我头皮发麻的问题：训练时用YOLOv11n，batch size开到64，显存占用才11GB，一切正常。但换到他们自研的“轻量级”backbone——一个只有6层卷积的VanillaNet变体——batch size降到32，显存直接飙到23GB，OOM报错。我第一反应是“你代码写炸了”，结果检查三遍，forward hook、梯度检查点、DDP同步都没问题。后来盯着nvidia-smi看了半小时，突然意识到问题出在训练策略上。VanillaNet这种极简网络，为了在深层保持感受野，通常会在最后几层用大核卷积（7x7甚至9x9），而YOLOv11的Neck和Head部分又自带一堆3x3和1x1。训练时所有层都参与反向传播，梯度图占用的显存是推理时的3-5倍。但推理时，这些大核卷积其实可以被等效合并——这就是VanillaNet论文里提到的“训练时用深层结构保证梯度流动，推理时合并成浅层结构”的核心思想。二、VanillaNet的“骗术”：训练和推理长不一样VanillaNet的作者在论文里玩了个花活：训练时网络有6层，推理时通过结构重参数化合并成4层。具体来说，他们把最后两个大核卷积（比如7x7和5x5）在推理时合并成一个等效的9x9卷积（因为两个卷积串联，感受野叠