【YOLO11系列】YOLO11的创新Get！！！

1.1 YOLO11简介

YOLO11 是 Ultralytics YOLO 系列实时对象检测器的最新版本，最新的YOLOv11模型在之前的YOLO版本引入了新功能和改进,以进一步提高性能和灵活性。YOLO11在快速、准确且易于使用,使其成为各种目标检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

YOLOv11的变化相对于ultralytics公司的上一代作品YOLOv8变化不是很大的，主要改进主要有以下几点：

• C2f变为C3K2
• 在SPPF后面加了一层类似于注意力机制的C2PSA
• 检测头内部替换了两个DWConv

官网YOLOv11在COCO数据集上的性能表现,如下图所示：

官网源码：yolo11

1.2 与YOLO8的差异体现

下面两张图yolo11.yaml和yolo8.yaml的差异，左边为yolo8的yaml文件，右边为yolo11的yaml文件，从两者对比上主要体现在yolo8的c2f在yolo11替换为C3k2，且在yolo8的backbone的SPPF下一层加入C2PSA

1.3 YOLO11的网络结构

1.4 详解C3k2和C2PSA模块

1.4.1 C3k2模块

C3k2模块是基于C3完成的一个更快速的CSP模块，它是更高效的CSP瓶颈变体。它使用两个卷积代替一个大的卷积，从而加快了特征提取的速度。CSP模块结构如下：

C3K2代码详细解析：

class C3k2(C2f):
    def __init__(self, c1, c2, n=1, c3k=False, e=0.5, g=1, shortcut=True):
        # 调用父类 C2f 的构造函数，初始化基础参数
        # c1: 输入通道数
        # c2: 输出通道数
        # n: 堆叠 Bottleneck 或 C3k 层的数量，默认值为1
        # c3k: 如果为 True，则使用 C3k 结构；如果为 False，则使用 Bottleneck 结构
        # e: 膨胀系数，默认为 0.5，控制 Bottleneck 内部卷积通道数
        # g: 分组卷积的组数，默认为 1
        # shortcut: 是否使用残差连接，默认为 True
        super().__init__(c1, c2, n, shortcut, g, e)

        # self.m: 使用 nn.ModuleList 来存储多层模块的列表
        # 根据传入的 c3k 参数决定使用 C3k 模块还是 Bottleneck 模块
        # 如果 c3k 为 True，则使用 C3k 模块；否则使用 Bottleneck 模块
        # self.c 是从父类 C2f 中继承的计算出的通道数
        # 这里会根据 n 的数量创建多个 Bottleneck 或 C3k 模块，组成一个列表
        self.m = nn.ModuleList(
            # 如果 c3k 为 True，则创建 C3k 模块，输入输出通道都为 self.c，shortcut 和 g 保持一致，卷积核大小为 2
            C3k(self.c, self.c, 2, shortcut, g) if c3k else 
            # 否则，创建 Bottleneck 模块，输入输出通道同样为 self.c，shortcut 和 g 也保持一致
            Bottleneck(self.c, self.c, shortcut, g) 
            for _ in range(n)  # 这里根据 n 来创建 n 个模块
        )

1.4.1 C2PSA模块

C2PSA机制是一个C2（C2f的前身）机制内部嵌入了一个多头注意力机制，下图为c2模块和C2PSA机制的原理图： c2模块 C2PSA模块 C2PSA代码详细解析：

class C3k2(C2f):
    def __init__(self, c1, c2, n=1, c3k=False, e=0.5, g=1, shortcut=True):
        # 调用父类 C2f 的构造函数，初始化基础参数
        # c1: 输入通道数
        # c2: 输出通道数
        # n: 堆叠 Bottleneck 或 C3k 层的数量，默认值为1
        # c3k: 如果为 True，则使用 C3k 结构；如果为 False，则使用 Bottleneck 结构
        # e: 膨胀系数，默认为 0.5，控制 Bottleneck 内部卷积通道数
        # g: 分组卷积的组数，默认为 1
        # shortcut: 是否使用残差连接，默认为 True
        super().__init__(c1, c2, n, shortcut, g, e)

        # self.m: 使用 nn.ModuleList 来存储多层模块的列表
        # 根据传入的 c3k 参数决定使用 C3k 模块还是 Bottleneck 模块
        # 如果 c3k 为 True，则使用 C3k 模块；否则使用 Bottleneck 模块
        # self.c 是从父类 C2f 中继承的计算出的通道数
        # 这里会根据 n 的数量创建多个 Bottleneck 或 C3k 模块，组成一个列表
        self.m = nn.ModuleList(
            # 如果 c3k 为 True，则创建 C3k 模块，输入输出通道都为 self.c，shortcut 和 g 保持一致，卷积核大小为 2
            C3k(self.c, self.c, 2, shortcut, g) if c3k else 
            # 否则，创建 Bottleneck 模块，输入输出通道同样为 self.c，shortcut 和 g 也保持一致
            Bottleneck(self.c, self.c, shortcut, g) 
            for _ in range(n)  # 这里根据 n 来创建 n 个模块
        )

1.5 Detect改进解析

YOLO11解耦头中的分类检测头增加了两个深度可分离卷积DWConv，其目的是为了减少参数量和计算量，具体的对比大家可以看下YOLOv8和YOLOv11的解耦头：

1.6 总结

该博客主要介绍了相较于YOLO8，YOLO11主要创新点，并对YOLO11的创新点做主要剖析，其他的YOLO11细节请读者自行研究！

1.7 其他

YOLO系列算法应用面十分广泛，可以结合一些可落地项目，在项目的基础上进行算法改进完成论文创新撰写，相应的落地应用链接可点击：链接

本文由博客一文多发平台 OpenWrite 发布！