YOLO11 沉浸式讲解 YOLOV11网络结构以及代码剖析
YOLO11 沉浸式讲解 YOLOV11网络结构以及代码剖析
YOLO11作为YOLO系列的最新版本，通过改进的骨干和颈部架构，以及优化的训练流程，在保持高精度的同时实现了更快的处理速度。本文将深入解析YOLO11的网络结构，包括C3K2和C2PSA模块的设计原理，以及head部分的深度可分离卷积应用。
1. Ultralytics YOLO11相比于之前版本的主要改进有哪些？
Ultralytics YOLO11在其前身基础上引入了几项重要进步。主要改进包括：
- 增强的特征提取：YOLO11采用改进的骨干和颈部架构，增强了特征提取能力，提高了物体检测的精确度。
- 优化的效率和速度：精炼的架构设计和优化的训练流程实现了更快的处理速度，同时保持了准确性和性能之间的平衡。
- 更高的准确性与更少的参数：YOLO11m在COCO数据集上实现了更高的均值平均精度（mAP），同时使用比YOLOv8m少22%的参数，使其在不妥协准确性的情况下更加计算高效。
- 环境适应性强：YOLO11可以在多种环境中部署，包括边缘设备、云平台以及支持NVIDIA GPU的系统。
- 支持广泛的任务：YOLO11支持多种计算机视觉任务，如物体检测、实例分割、图像分类、姿态估计和定向物体检测（OBB）。
我们先来看一下其网络结构有什么变化，可以看出，相比较于YOLOv8模型，其将CF2模块改成C3K2，同时在SPPF模块后面添加了一个C2PSA模块，且将YOLOv10的head思想引入到YOLO11的head中，使用深度可分离的方法，减少冗余计算，提高效率。下面我们来详细看一下这两个模块的结构是怎么构成的，以及它们为什么要这样设计
2. C3K2的网络结构
从下面图中我们可以看到，C3K2模块其实就是C2F模块转变出来的，它代码中有一个设置，就是当c3k这个参数为FALSE的时候，C3K2模块就是C2F模块，也就是说它的Bottleneck是普通的Bottleneck；反之当它为true的时候，将Bottleneck模块替换成C3模块。
3. C2PSA的网络结构
C2PSA是对C2f模块的扩展，它结合了PSA(Pointwise Spatial Attention)块，用于增强特征提取和注意力机制。通过在标准C2f模块中引入 PSA 块，C2PSA实现了更强大的注意力机制，从而提高了模型对重要特征的捕捉能力。
3.1. C2f 模块回顾：
C2f模块是一个更快的 CSP（Cross Stage Partial）瓶颈实现，它通过两个卷积层和多个 Bottleneck 块进行特征提取。相比传统的 CSPNet，C2f 优化了瓶颈层的结构，使得计算速度更快。在 C2f中，cv1是第一个 1x1 卷积，用于减少通道数；cv2是另一个 1x1 卷积，用于恢复输出通道数。而n是一个包含 Bottleneck 块的数量，用于提取特征。
3.2. C2PSA 模块的增强
C2PSA扩展了C2f，通过引入PSA(Position-Sensitive Attention)，旨在通过多头注意力机制和前馈神经网络来增强特征提取能力。它可以选择性地添加残差结构（shortcut）以优化梯度传播和网络训练效果。同时，使用FFN 可以将输入特征映射到更高维的空间，捕获输入特征的复杂非线性关系，允许模型学习更丰富的特征表示。
4. head部分
YOLO11在head部分的cls分支上使用深度可分离卷积，具体代码如下，cv2边界框回归分支，cv3分类分支。
self.cv2 = nn.ModuleList(
nn.Sequential(Conv(x, c2, 3), Conv(c2, c2, 3), nn.Conv2d(c2, 4 * self.reg_max, 1)) for x in ch
)
self.cv3 = nn.ModuleList(
nn.Sequential(
nn.Sequential(DWConv(x, x, 3), Conv(x, c3, 1)),
nn.Sequential(DWConv(c3, c3, 3), Conv(c3, c3, 1)),
nn.Conv2d(c3, self.nc, 1),
)
for x in ch
)