YOLOv11 改进 - 基础知识 C2PSA模块详解：从结构原理、源码实现到模型配置

前言

本文对YOLOv11目标检测模型中的核心创新模块——C2PSA进行了深入的源码级解析。C2PSA（C2 Position-Sensitive Attention）通过引入位置敏感注意力机制（PSA），有效增强了模型对空间关键信息的捕捉能力，从而提升检测精度，尤其在复杂场景和小目标检测中表现显著。文章详细剖析了C2PSA及其子模块PSABlock、Attention的完整源码结构、前向传播流程与关键参数，并结合YAML配置文件实例，解释了不同模型规模（n/s/m/l/x）下的参数缩放规律。内容涵盖模块的设计动机、工作流程图解、常见问题解答，旨在帮助读者从根本上理解并将其应用于自定义模型改进中

文章目录： YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLOv11改进专栏

@[TOC]

注意

这里用的代码版本为: tag = 8.3.0

概述

C2PSA（C2 Position-Sensitive Attention） 是 YOLO11 中引入的创新模块，旨在通过引入PSA（Position-Sensitive Attention, 位置敏感注意力机制）来增强特征提取和处理能力。传统的CNN（卷积神经网络）在处理图像时，通常对所有位置上的特征一视同仁，忽略了不同位置特征的重要性差异，C2PSA 引入位置敏感注意力机制的核心动机正是增强特征表示——通过自注意力机制，模型可以动态地调整不同位置特征的重要性，从而更好地捕捉全局和局部信息。

C2PSA通过多个 PSABlock 堆叠实现对空间位置的自适应权重分配，每个 PSABlock 包含多头自注意力机制和前馈网络（Feed-Forward Network, FFN），从而在特征图的不同位置上进行更精细的特征学习，兼顾全局与局部信息。

• 动机：卷积对不同位置“一视同仁”，C2PSA 通过自注意力让模型学习“哪些位置更重要”。
• 核心思路：在 CSP 风格的分流-汇合中，对一支使用 PSA（自注意力 + FFN），另一支保留原始/线性特征，再拼接融合。

---

C2PSA 模块源码与结构

class C2PSA(nn.Module):
    def __init__(self, c1, c2, n=1, e=0.5):
        super().__init__()
        assert c1 == c2
        self.c = int(c1 * e)
        self.cv1 = Conv(c1, 2 * self.c, 1, 1)
        self.cv2 = Conv(2 * self.c, c1, 1)

        self.m = nn.Sequential(*(PSABlock(self.c, attn_ratio=0.5, num_heads=self.c // 64) for _ in range(n)))

    def forward(self, x):
        a, b = self.cv1(x).split((self.c, self.c), dim=1)
        b = self.m(b)
        return self.cv2(torch.cat((a, b), 1))

代码位置：ultralytics/nn/modules/block.py:1002-1041

从源代码可看出，该模块可接收的参数共4个，分别为输入通道数(c1)、输出通道数(c2)、模块数量(n)、扩展系数(e)。其中，c1、c2为必选参数，缺少这两个参数将会报错，其他均设定有默认值（n默认1，e默认0.5）。

结构图解（逻辑流程）

输入 x (c1)
  ↓ cv1 1×1 → 分成 a( c ) 与 b( c )
  ↓ a 直接保留
  ↓ b 经过 n 个 PSABlock 堆叠
  ↓ concat(a, b) → 通道 2c
  ↓ cv2 1×1 → 输出 (c1=c2)

关键点

1. c = int(c1 * e)：隐藏通道；默认 e=0.5，将通道减半。
2. cv1 将输入通道压缩为 2c，并均分为 a、b。
3. m 为 n 个 PSABlock 串联。
4. cv2 将拼接后的 2c 还原到 c1（=c2）。

---

PSABlock 源码与结构

class PSABlock(nn.Module):
    def __init__(self, c, attn_ratio=0.5, num_heads=4, shortcut=True) -> None:
        super().__init__()

        self.attn = Attention(c, attn_ratio=attn_ratio, num_heads=num_heads)
        self.ffn = nn.Sequential(Conv(c, c * 2, 1), Conv(c * 2, c, 1, act=False))
        self.add = shortcut

    def forward(self, x):
        x = x + self.attn(x) if self.add else self.attn(x)
        x = x + self.ffn(x) if self.add else self.ffn(x)
        return x

结构要点

• Attention：卷积版多头自注意力（区别于常规自注意力，采用卷积结构实现，见下一节），用于计算不同位置特征之间的关系。
• FFN（前馈网络）：1×1 卷积升维到 2c，再 1×1 还原到 c，第二个卷积无激活，用于进一步处理经注意力机制计算后的特征。
• 残差：shortcut=True 时，两处残差（attn 后、ffn 后）均加回输入。

---

Attention 源码与结构

class Attention(nn.Module):
    def __init__(self, dim, num_heads=8, attn_ratio=0.5):
        super().__init__()
        self.num_heads = num_heads
        self.head_dim = dim // num_heads
        self.key_dim = int(self.head_dim * attn_ratio)
        self.scale = self.key_dim**-0.5
        nh_kd = self.key_dim * num_heads
        h = dim + nh_kd * 2
        self.qkv = Conv(dim, h, 1, act=False)      # 无激活
        self.proj = Conv(dim, dim, 1, act=False)   # 无激活
        self.pe = Conv(dim, dim, 3, 1, g=dim, act=False)  # 深度可分离，位置编码

    def forward(self, x):
        B, C, H, W = x.shape
        N = H * W
        qkv = self.qkv(x)
        q, k, v = qkv.view(B, self.num_heads, self.key_dim * 2 + self.head_dim, N).split(
            [self.key_dim, self.key_dim, self.head_dim], dim=2
        )
        attn = (q.transpose(-2, -1) @ k) * self.scale      # (B, heads, N, N)
        attn = attn.softmax(dim=-1)
        x = (v @ attn.transpose(-2, -1)).view(B, C, H, W)  # 聚合
        x = x + self.pe(v.reshape(B, C, H, W))             # 位置编码
        x = self.proj(x)
        return x

要点

• PSABlock 内部的 Attention 模块负责计算查询（Query）、键（Key）和值（Value），并通过缩放点积注意力机制（Scaled Dot-Product Attention）来生成注意力权重。
• QKV 由 1×1 卷积一次性生成；无激活。
• head_dim = dim // num_heads，key_dim = head_dim * attn_ratio。
• scale = key_dim ** -0.5，标准缩放点积注意力。
• pe 用 3×3 深度可分离卷积（无激活）注入位置信息。
• proj 无激活，保持线性变换。

---

参数解析与模型配置

模块参数

• c1, c2：输入/输出通道，C2PSA 约束 c1 == c2。
• n：PSABlock 堆叠数，默认 1。
• e：通道缩放，默认 0.5（隐藏通道 c=int(c1*e)）。
• PSABlock 内部：attn_ratio=0.5，num_heads = c // 64。

配置文件（YOLO11n 示例）

ultralytics/cfg/models/11/yolo11.yaml：

[-1, 2, C2PSA, [1024]]  # layer 10 in backbone

在backbone中，最后一层使用了该模块，上述配置的含义为：

• -1: C2PSA模块的输入来自前一层的输出
• 2: 表示C2PSA模块中需要使用2个PSA模块
• C2PSA: 模块名称(搭建该模块的类)
• 1024: C2PSA模块输出的通道数，即该模块处理后生成1024种不同维度的特征信息

这行配置经过parse_model方法解析后，会得到对应的C2PSA参数如下所示： c1=256, c2=256, n=2, e=0.5

• c1/c2:输入/输出通道数
• n:PSA个数
• e:中间层的通道缩放因子

注意缩放

• depth_multiple = 0.50，width_multiple = 0.25（yolo11n）。
• parse_model 中：n 会先乘 depth_multiple 再四舍五入 ≥1；c2 会乘 width_multiple 并 make_divisible。
• 以 yolo11n 为例：
  • 输入通道 c1 = 256（上一层输出，已按 width 缩放）
  • 配置 c2=1024 经 width=0.25 → 256，make_divisible 8 对齐
  • depth=0.5, n=2 → 实际 n=1（max(round(2*0.5),1)=1）
  • e 默认 0.5 → c = 128，num_heads = 128 // 64 = 2

不同规模的实际参数（含 max_channels 约束）

• yolo11n（w=0.25, d=0.5, max=1024）：c1=c2=256，n=1
• yolo11s（w=0.5, d=0.5, max=1024）：c1=c2=512，n=1
• yolo11m（w=1.0, d=0.5, max=512）：c1=c2=512，n=1 ← 被 max_channels=512 限制
• yolo11l（w=1.0, d=1.0, max=512）：c1=c2=512，n=2 ← 被 max_channels=512 限制
• yolo11x（w=1.5, d=1.0, max=512）：c1=c2=768，n=2 ← 先取 min(1024,512)=512，再乘 width=1.5

前向维度示例（yolo11n，输入 640×640）

请读者查看配置文件，当前向传播到达C2PSA模块时候，输入通道数为256（缩放后），特征图尺寸为$20\times 20$（网络的输入规范为$640\times 640$，经过了5层s=2的Conv模块，每一层都会将特征图缩小2倍）。同时需要注意除了s=2的Conv模块，其他模块都不会影响特征图的分辨率。

• 输入到 C2PSA 前的特征图：通道 256，分辨率 20×20（5 次 stride=2 下采样）。
• C2PSA 内：
  • cv1 输出 2c=256 → 分成 128/128 两支
  • b 支过 1 个 PSABlock（n=1）
  • 拼接后 256，cv2 还原到 256，分辨率保持 20×20（所有卷积 stride=1，PSA 不改尺度）。

---

常见问题解答

Q1: n=2 为什么实际只用 1 个 PSABlock（yolo11n/s）？
A: parse_model 会用 depth_multiple（0.5）缩放 n：max(round(2*0.5),1)=1。在 m/l/x（depth=1.0）才保持 2 个。

Q2: 通道为什么不是配置里的 1024？
A: 宽度缩放 width_multiple=0.25（yolo11n），c2=make_divisible(1024*0.25, 8)=256。实际 c1=c2=256。

Q3: Attention 的头数怎么算？
A: num_heads = c // 64，c 为 int(c1*e)。yolo11n：c1=256，e=0.5 → c=128 → heads=2。

Q4: C2PSA 会改变分辨率吗？
A: 不会。所有卷积 stride=1，PSABlock 仅做注意力/FFN，无下采样。分辨率与输入一致。

Q5: 为什么先 split 再 concat？
A: 与 CSP 思路相同，一支保留/线性通路，一支做重加工（PSA），最后融合，兼顾梯度与表达。

---

总结

• C2PSA 通过“分流-PSA-融合”在不改分辨率的前提下增强位置敏感特征，其引入的位置敏感注意力机制解决了传统CNN对不同位置特征“一视同仁”的问题，可动态调整特征权重以捕捉全局和局部信息。
• depth_multiple 会缩放重复次数 n，width_multiple 会缩放通道 c1/c2，需结合具体 scale 解读。
• PSABlock = Attention（卷积版多头自注意力 + 位置编码）+ FFN + 残差，其中Attention模块通过卷积结构实现自注意力计算，区别于常规自注意力机制。
• 适用场景：位置信息敏感、需强化全局-局部依赖的骨干高层特征。