【YOLOv11】087、YOLOv11多任务学习：检测、分割、分类联合学习

上周在部署一个工业质检项目时遇到个头疼问题：产线上既要定位缺陷位置（检测），又要判断缺陷类型（分类），还得精确测量缺陷面积（分割）。

客户最初方案是跑三个独立模型——检测用YOLO，分割用UNet，分类用ResNet。结果在Jetson Orin上帧率直接掉到3FPS，内存占用爆满。这让我重新思考：为什么不能一个模型搞定所有事？

多任务学习（MTL）在边缘设备上的价值就在这里。YOLOv11的架构设计其实天然适合做多任务扩展，今天我们就拆解如何让一个YOLO同时输出检测框、分割掩码和分类标签。

模型架构改造：共享主干，分支头设计

YOLOv11的Backbone和Neck部分完全可以共享，关键在Head设计。直接看代码：

classMultitaskHead(nn.Module):def__init__(