写在前面：为什么安防监控的YOLOv11部署，和你在Jupyter里跑通的那一次完全是两件事如果你在COCO上跑过yolo predict model=yolo11n.pt source=test.jpg，恭喜，你只完成了这条链路的前5%。安防监控的真实约束是：7×24小时不间断、多路RTSP并发、边缘设备功耗墙、物理对抗攻击、以及“漏报一帧就是事故”的工程伦理。2026年，围绕YOLOv11的部署生态已经远比2024年发布时成熟：NVIDIA DeepStream 7.1/9.0 对YOLO11的自定义解析器趋于稳定，TensorRT INT8在Jetson Orin系列上的实测数据陆续公开，Intel OpenVINO 2026.0 + NNCF 3.0 把INT8量化做成了可复现的流水线。但与此同时，对抗补丁对YOLO系列的攻击成功率在物理场景中已经摸到70%–78%的量级，安防部署如果只盯着FPS和mAP，等于把系统暴露在已知威胁之下。这篇文章不重复Ultralytics官方文档里已有的训练教程。它要回答的是：当YOLOv11进入安防监控的生产管线，模型选型、量化策略、视频流架构、竞品取舍、以及对抗安全，各自应该怎么决策，以及决策之间的耦合在哪里。一、模型选型：n/s/m/l/x不是“越大越好”，安防的约束函数完全不同/