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

必读指南 📖 | YOLOv11改进专栏简介

📌 1. 模型改进无思路？200+实战方法直接落地

针对YOLO模型改进痛点，本专栏整理200+实战验证方法，覆盖卷积层、注意力机制等核心模块。 每种方法含原理、性能分析、改进路径及实操流程，代码可直接运行，快速提升模型效果，性价比超高。

🚀 2. 优质模块难匹配？顶会算法 + YOLOv11专属适配

改进方法源自CVPR等顶会前沿算法，结合YOLOv11二次创新。 模块高创新、高适配，可直接用于检测、分割等多视觉任务，满足科研与项目双重需求。

🔗 3. 全版本兼容？一次学习多端复用

方案完美适配YOLOv11全任务，因架构同源，可无缝迁移至 YOLOv8/v10/v12/v13。 一次学习多版通用，大幅降低学习与时间成本。

💎 4. 持续更新保障？早订早享终身权益

专栏每周更新 3-5 篇实战案例，97 分全网领跑。 紧跟 2025 最新动态，内容增值即涨价，早订更划算。 一次订阅终身可用，私信留言需求可优先更新。

YOLOv11的模型结构

需要可编辑的原型图，请私信联系！

在这里插入图片描述

YOLOv11改进目录一览（持续更新中ing📃）

💡 购买专栏后，即可私信我，获取完整程序文件以及一键运行的环境 🛠️ 所有代码支持直接集成到你的项目中运行与训练，无需繁琐配置。 支持按需自由组合模块，快速构建适配你数据集的改进方案，实现实战有效涨点。

在这里插入图片描述

专栏购买链接 ： YOLOv11改进专栏

✨基础知识 ✨

  1. YOLOv11实战指南：Windows+CUDA环境配置 + 自定义数据集训练 + 以EMA演示如何创新改进YOLOv11
  2. YOLOv11 改进 - 基础知识 | YOLOv11 Conv模块超详细解析：从源码实现到BN/SiLU原理（初学者友好版）
  3. YOLOv11 改进 - 基础知识 | YOLOv11核心模块解析：C3k2的工作原理与代码实现详解（初学者指南）
  4. 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
  5. YOLOv11 改进 - 基础知识 | 为什么SPPF比SPP更快？深入解析YOLO中多尺度特征提取的效率优化与代码实现

🚁注意力机制 🚁

  1. YOLOv11 改进 - 注意力机制 | 空间增强注意力SEAM（Spatially Enhanced Attention Module）提升遮挡场景检测鲁棒性
  2. YOLOv11 改进 - 注意力机制 | HaloNet 局部自注意力 (Local Self-Attention) 以分块交互策略实现高效全局上下文建模
  3. YOLOv11 改进 - 注意力机制 | 轴向注意力Axial Attention（Axial Attention）优化高分辨率特征提取
  4. YOLOv11 改进 - 注意力机制 | SCSA注意力通过双重注意力机制增强局部-全局特征交互
  5. YOLOv11 改进 - 注意力机制 | 二阶通道注意力SOCA 通过协方差建模与自适应重缩放实现判别性特征增强
  6. YOLOv11 改进 - 注意力机制 | CGAFusion (Content-Guided Attention Fusion) 抑制噪声提升跨模态检测精度与鲁棒性
  7. YOLOv11 改进 - 注意力机制 |融合HCF-Net维度感知选择性整合模块DASI 增强小目标显著性
  8. YOLOv11 改进 - 注意力机制 | 多扩张通道细化器MDCR 通过通道划分与异构扩张卷积提升小目标定位能力
  9. YOLOv11 改进 - 注意力机制 | GCT(Gaussian Context Transformer)：高斯上下文变换器，轻量化的通道特征增强
  10. YOLOv11 改进 - 注意力机制 | 双层路由注意力BRA（Bi-Level Routing Attention）增强小目标特征捕获
  11. YOLOv11 改进 - 注意力机制 | Deformable-LKA 可变形大核注意力：自适应采样网格优化特征捕捉，提升不规则目标感知
  12. YOLOv11 改进 - 注意力机制 | STA超级令牌注意力机制：超级令牌采样实现高效全局依赖捕获，优化多尺度感知
  13. YOLOv11 改进 - 注意力机制 | ELA(Efficient Local Attention)高效局部注意力：突破降维限制精准定位，增强小目标感知
  14. YOLOv11 改进 - 注意力机制 | HAT混合注意力变换器：超分重建能力迁移，提升小目标特征清晰度与检测精度
  15. YOLOv11 改进 - 注意力机制 | Dual-ViT 双视觉变换器：双路径建模协同全局语义与局部特征，增强多尺度感知
  16. YOLOv11 改进 - 注意力机制 | GC Block(GlobalContext Block)全局上下文块：三重变换捕获全局依赖，提升复杂场景鲁棒性
  17. YOLOv11 改进 - 注意力机制 | ParNet并行子网络：多分支协同优化特征表达，增强模型判别能
  18. YOLOv11 改进 - 注意力机制 | CBAM (Convolutional Block Attention Module) 卷积块注意力模块：轻量级设计自适应优化特征，提升小目标检测精度
  19. YOLOv11 改进 - 注意力机制 | SENetV2 聚合稠密层：多分支密集层增强通道与全局表示，优化特征校准机制
  20. YOLOv11 改进 - 注意力机制 | CascadedGroupAttention级联组注意力：动态感受野适配复杂场景，增强小目标特征捕获
  21. YOLOv11 改进 - 注意力机制 | Focused Linear Attention 聚焦线性注意力：增强特征聚焦与多样性，优化多尺度目标检测
  22. YOLOv11 改进 - 注意力机制 | CAA上下文锚点注意力：条带卷积捕捉长程依赖，优化多尺度与长形目标检测
  23. YOLOv11 改进 - 注意力机制 | Gather-Excite 聚集-激发注意力：空间上下文聚合与重校准优化多尺度目标检测
  24. YOLOv11 改进 - 注意力机制 | MLLAttention (Mamba-Like Linear Attention) 类Mamba线性注意力：动态感受野适配多尺度目标
  25. YOLOv11 改进 - 注意力机制 | SGE(Spatial Group-wise Enhance)空间分组增强：分组注意力自主校准特征重要性，优化目标定位
  26. YOLOv11 改进 - 注意力机制 | RCS-OSA减少通道的空间对象注意力：通道压缩与空间注意力协同破解特征冗余，增强多尺度感知
  27. YOLOv11 改进 - 注意力机制 | Non-Local 非局部注意力：突破局部感受野限制，实现高效上下文信息整合
  28. YOLOv11 改进 - 注意力机制 | Sea_Attention 挤压增强轴向注意力：全局语义与局部细节协同增强，优化多尺度目标检测
  29. YOLOv11 改进 - 注意力机制 | LS-YOLO MSFE 多尺度特征提取模块：并行分支结构增强多尺度感知，优化遥感与小目标检测
  30. YOLOv11 改进 - 注意力机制 | PPA(Parallelized Patch-Aware Attention)并行补丁感知注意：分层特征融合保持小目标表征
  31. YOLOv11 改进 - 注意力机制 | MCA 多维协作注意力：轻量化设计破解维度割裂难题，优化多尺度目标检测
  32. YOLOv11 改进 - 注意力机制 | CPCA(Channel prior convolutional attention)通道先验卷积注意力：轻量级设计破解权重分布难题，增强小目标显著性
  33. YOLOv11 改进 - 注意力机制 | LSKNet大型选择性核网络：自适应核加权强化关键特征捕获，增强小目标显著性
  34. YOLOv11 改进 - 注意力机制 | Polarized Self-Attention 极化自注意力：高分辨率保持机制优化细节表征，助力小目标检测
  35. YOLOv11 改进 - 注意力机制 | S2Attention稀疏分片注意力：多头协同覆盖全局上下文，增强小目标与长程特征捕获
  36. YOLOv11 改进 - 注意力机制 | EffectiveSE 高效挤压激励模块：单全连接层设计破解信息丢失难题，增强通道特征表征
  37. YOLOv11 改进 - 注意力机制 | ContextAggregation上下文聚合模块：多尺度上下文信息融合机制，增强小目标特征判别力
  38. YOLOv11 改进 - 注意力机制 | DAT (Deformable Attention) 可变形注意力：动态感知关键区域破解固定注意力模式，增强特征捕捉能力
  39. YOLOv11 改进 - 注意力机制 | CoordAttention坐标注意力：嵌入位置信息破解通道注意力局限，增强目标空间感知
  40. YOLOv11 改进 - 注意力机制 | MSCA 多尺度卷积注意力：多尺度卷积协同增强特征捕获，优化小目标检测精度
  41. YOLOv11 改进 - 注意力机制 | ECA (Efficient Channel Attention) 高效通道注意力：轻量级设计实现跨通道交互，增强特征表征能力
  42. YOLOv11 改进 - 注意力机制 | TripletAttention 三重注意力：轻量级设计破解计算瓶颈，提升小目标检测鲁棒性
  43. YOLOv11 改进 - 注意力机制 | DoubleAttention 双重注意力机制：轻量级设计实现动态特征聚焦，增强小目标检测鲁棒性
  44. YOLOv11 改进 - 注意力机制 | SKAttention选择性内核注意力：轻量级设计动态调整感受野，增强复杂场景鲁棒性
  45. YOLOv11 改进 - 注意力机制 | NAM 基于归一化的注意力模块：轻量级设计优化通道与空间注意力，提升小目标检测
  46. YOLOv11 改进 - 注意力机制 | SimAM简单无参数注意力模块：能量函数驱动三维权重优化，增强特征判别力
  47. YOLOv11 改进 - 注意力机制 | MHSA (Multi-Head Self-Attention) 多头自注意力：多头并行协同捕获多样化上下文，提升特征判别力
  48. YOLOv11 改进 - 注意力机制 | MLCA混合局部通道注意力：多维度特征融合破解信息局限，增强复杂场景感知能力
  49. YOLOv11 改进 - 注意力机制 | GAM全局注意力机制：通道与空间注意力协同抑制背景干扰，强化目标关键特征
  50. YOLOv11 改进 - 注意力机制 | CoTAttention (Contextual Transformer Attention) 上下文转换器注意力：动静态上下文融合增强特征表征，优化多尺度目标检测
  51. YOLOv11 改进 - 注意力机制 | iRMB 倒置残差移动块：硬件感知优化破解计算瓶颈，提升小目标检测鲁棒性
  52. YOLOv11 改进 - 注意力机制 | MSDA多尺度空洞注意力：局部稀疏交互优化特征提取，提升复杂场景鲁棒性
  53. YOLOv11 改进 - 注意力机制 | EMA (Efficient Multi-Scale Attention) 高效多尺度注意力：跨空间学习与多分支协同增强特征表征，优化多尺度目标检测
  54. YOLOv11 改进 - 注意力机制 | LSKA大核分离卷积注意力：轻量级设计实现动态大感受野，优化小目标检测鲁棒性
  55. YOLOv11 改进 - 注意力机制 | ACmix自注意力与卷积混合模型：轻量级设计融合双机制优势，实现高效特征提取与推理加速
  56. YOLOv11 改进 - 注意力机制 | CAFM (Convolutional Block Attention Module) 卷积块注意力模块：轻量级设计优化特征提取流程，提升小目标感知
  57. YOLOv11 改进 - 注意力机制 | ESC (Emulating Self-attention with Convolution) 卷积模拟自注意力：增强小目标与密集场景检测
  58. YOLOv11 改进 - 注意力机制 | DCAFE双坐标注意力：并行坐标注意力 + 双池化融合
  59. YOLOv11 改进 - 注意力机制 MCAttn 蒙特卡洛注意力：全局上下文与局部细节协同建模，破解微小目标特征表达难题

✅ 特征融合 ✅

  1. YOLOv11 改进 - 特征融合 | 复杂目标适配：SDI优化融合，检测精度再升级
  2. YOLOv11 改进 - 特征融合 | 替换 C3k2 涨点：GELAN 融合 CSP+ELAN 提精度
  3. YOLOv11 改进 - 特征融合 | Slim-neck：目标检测新范式，既轻量又涨点
  4. YOLOv11 改进 - 特征融合 | 小目标检测救星：DySample动态上采样减少特征丢失
  5. YOLOv11 改进 - 特征融合 | FFCA-YOLO: 提升遥感图像中小目标检测的精度和鲁棒性
  6. YOLOv11 改进 - 特征融合 | GIRAFFEDET之GFPN ：广义特征金字塔网络，高效地融合多尺度特征
  7. YOLOv11 改进 - 特征融合 | SSFF+TPE+CPAM 协同,ASF-YOLO 三重模块破解密集小目标分割难题
  8. YOLOv11 改进 - 特征融合 | AFPN渐进特征金字塔网络 实现高效多尺度特征融合与检测精度突破
  9. 【YOLOv11改进 - 特征融合】引入聚集-分发机制：Gather-and-Distribute 优化特征金字塔信息流与多尺度特征融合效率
  10. YOLOv11 改进 - 特征融合 | RepGFPN重参数化特征金字塔网络 ，实现高效多尺度特征交互与融合
  11. YOLOv11 改进 - 特征融合 | HS-FPN高效特征金字塔网络，通过选择性特征交互实现参数优化与性能提升
  12. YOLOv11 改进 - 特征融合 | 重参数化CSPELAN模块（Reparameterized CSPELAN Module）通过结构重参数化实现高效特征提取
  13. YOLOv11 改进 - 特征融合 | 融合Hyper-YOLO混合聚合网络MANet（Mixed Aggregation Network）通过多路径设计实现高效特征学习与模型适应性提升
  14. YOLOv11 改进 - 特征融合 | EFC增强层间特征相关性，通过多尺度特征交互减少冗余信息丢失即插即用

🚀Conv 🚀

  1. YOLOv11改进 - 卷积Conv | GCNet之金箍棒块GCBlock 重参数化捕获全局依赖
  2. YOLOv11改进 - 卷积Conv | AAAI 2025顶会PConv(Pinwheel-shaped Conv): 风车状卷积用于红外小目标检测
  3. YOLOv11改进 - 卷积Conv | LAE: 轻量级自适应提取卷积，从多尺度特征图中获得更多的上下文信息和高分辨率细节
  4. YOLOv11改进 - 卷积Conv | 融合多阶门控聚合网络MogaNet与 CA block，提升复杂场景与小目标检测鲁棒性
  5. YOLOv11改进 - 卷积Conv | 融合MogaNet中的ChannelAggregationFFN（通道聚合前馈网络），优化通道维度的特征
  6. YOLOv11 改进 - 核心卷积 | 注入多阶门控聚合机制：Multi-Order Gated Aggregation 突破表示瓶颈，增强复杂场景目标感知能力
  7. YOLOv11改进 - 卷积Conv | 引入线性可变形卷积LDConv（Linear Deformable Convolution）增强不规则目标特征捕获能力
  8. YOLOv11改进 - 卷积Conv | 突破传统卷积瓶颈：重新参数化重聚焦卷积RefConv，有效减少通道冗余
  9. YOLOv11改进 - 卷积Conv | 融合Diverse Branch Block (DBB) 多样分支块的多尺度卷积路径，丰富特征空间实现即插即用性能增益
  10. YOLOv11改进 - 卷积Conv | 增强感受野与多尺度特征捕获：引入RFB感受野块（Receptive Field Block）多分支卷积结构
  11. YOLOv11改进 - 卷积Conv | 即插即用轻量化突破：OREPA在线卷积重参数化，通过动态结构演化实现高效特征提取与自适应优化
  12. YOLOv11改进 - 卷积Conv | RFAConv：感受野注意力卷积动态调整感受野，提升小目标检出精度
  13. YOLOv11改进 - 卷积Conv | SPD-Conv空间深度转换卷积优化空间信息编码，攻克小目标检测难题
  14. YOLOv11改进 - 卷积Conv | SCConv空间和通道重建卷积：轻量化设计助力复杂场景与小目标检测
  15. YOLOv11改进 - 卷积Conv | SPConv：基于分割的卷积巧解特征冗余，实现高效特征提取
  16. YOLOv11改进 - 卷积Conv | DualConv( Dual Convolutional)：用于轻量级深度神经网络的双卷积核
  17. YOLOv11改进 - 卷积Conv | SAConv可切换空洞卷积：自适应融合多尺度特征，优化小目标与遮挡目标感知
  18. YOLOv11改进 - 卷积Conv | ODConv全维度动态卷积：四维注意力机制赋能特征提取，增强多尺度感知
  19. YOLOv11改进 - 卷积Conv | DynamicConv动态卷积赋能YOLO，实现高效参数利用
  20. YOLOv11改进 - 卷积Conv | AKConv可变核卷积：任意参数与采样形状赋能特征提取，提升检测精度
  21. YOLOv11改进 - 卷积Conv | 加权卷积wConv2D：无损替换标准卷积，增强空间建模与特征提取质量
  22. YOLOv11改进 - 卷积Conv | MKDC 多核深度卷积块（ ICCV 2025)：多分支架构协同捕获局部细节与全局语义，提升特征判别力

⛵C3k2融合⛵

  1. YOLOv11改进 - C3k2融合 | C3k2融合GCNet之金箍棒块GCBlock 重参数化捕获全局依赖
  2. YOLOv11改进 - C3k2融合 | C3k2融合EBlock(Encoder Block)：低光增强编码器块，利用傅里叶信息增强低光图像
  3. YOLOv11改进 - C3k2融合 | C3k2模块融合高效融合注意力EFA（Efficient Fusion Attention）提升图像分割中对多尺度目标的捕获精度
  4. YOLOv11改进 - C3k2融合 | C3k2模块融合FMB模块 (Feature Modulation Block) 通过多层次特征调制优化空间与通道表征
  5. YOLOv11改进 - C3k2融合 | C3k2融合小波卷积WTConv (Wavelet Convolution) 实现感受野跨越式扩展与检测精度协同提升
  6. YOLOv11改进 - C3k2融合 | C3k2融合FasterBlock-CGLU-C2 通过特征筛选与增强优化计算效率
  7. YOLOv11改进 - C3k2融合 | C3k2模块融合RetBlock保持块（Retention Block）实现高效局部细节增强与多尺度目标检测性能提升
  8. YOLOv11改进 - C3k2融合 | C3k2模块融合融合RepViT Block实现多尺度特征交互与上下文感知能力提升
  9. YOLOv11改进 - C3k2融合 | C3k2融合动态卷积DynamicConv（Dynamic Convolution）实现参数量提升与计算开销高效平衡的精准检测
  10. YOLOv11改进 - C3k2融合 | C3k2融合AKConv可改变核卷积 通过自适应采样位置调整优化多尺度目标表示
  11. YOLOv11改进 - C3k2融合 | C3k2融合MLCA混合局部通道注意力 实现多尺度特征自适应优化与小目标检测精度提升
  12. YOLOv11改进 - C3k2融合 | C3k2融合OREPA在线卷积重参数化,实现高效特征提取与模型轻量化
  13. YOLOv11改进 - C3k2融合 | C3k2融合iRMB倒置残差移动块，通过轻量注意力机制提升多尺度特征表示能力
  14. YOLOv11改进 - C3k2融合 | C3k2融合MogaBlock多阶门控聚合块，实现高效特征增强与计算资源优化
  15. YOLOv11改进 - C3k2融合 | 融合DeepDBB深度多样分支模块（Deep Diverse Branch Block）通过多层次分支结构增强特征表征能力
  16. YOLOv11改进 - C3k2融合 | C3k2融合融合WDBB宽度多样分支模块（Width Diverse Branch Block）通过多尺度分支增强特征表征能力
  17. YOLOv11改进 - C3k2融合 | C3k2融合细节增强卷积DEConv（Detail-Enhanced Convolution）提升细微特征提取能力
  18. YOLOv11改进 - C3k2融合 | C3k2融合ODConv全维度动态卷积，通过四维注意力机制实现多维度自适应特征增强
  19. YOLOv11改进 - C3k2融合 | C3k2融合Deformable-LKA可变形大核注意力（Deformable Large Kernel Attention）实现高效空间自适应特征提取
  20. YOLOv11改进 - C3k2融合 | C3k2融合DWRSeg扩张式残差分割网络，通过分层扩张卷积优化小目标细节特征提取
  21. YOLOv11改进 - C3k2融合 | C3k2融合DWR扩张式残差分割网络，通过分层扩张卷积优化小目标细节特征提取
  22. YOLOv11改进 - C3k2融合 | C3k2融合动态蛇形卷积Dynamic Snake Convolution通过自适应卷积核变形优化弯曲目标分割精度
  23. YOLOv11改进 - C3k2融合 | C3k2融合MSBlock多尺度块（Multi-Scale Block）通过分层特征融合策略实现高效特征提取与参数优化
  24. YOLOv11改进 - C3k2融合 | PPA并行化注意力架构（Parallelized Attention Architecture）通过并行注意力分支优化小目标特征提取
  25. YOLOv11改进 - C3k2融合 | C3k2融合Diverse Branch Block（DBB）多样分支模块通过重参数化机制实现高效特征增强
  26. YOLOv11改进 - C3k2融合 | C3k2融合SCConv空间和通道重建卷积（Spatial and Channel Reconstruction Convolution）实现即插即用式空间与通道优化
  27. YOLOv11改进 - C3k2融合 | C3k2融合SCConv自校准卷积（Self-Calibrated Convolutions）通过特征内部自校准机制优化多尺度特征提取
  28. YOLOv11改进 - C3k2融合 | C3k2融合MBRConv 多分支重参数化卷积,MBRConv3*3用于深层特征提取
  29. YOLOv11改进 - C3k2融合 | C3k2融合MBRConv 多分支重参数化卷积,MBRConv5*5用于浅层特征提取
  30. YOLOv11改进 - C3k2融合 | C3k2融合加权卷积wConv2D：无损替换标准卷积，增强空间建模与特征提取质量
  31. YOLOv11改进 - C3k2融合 | C3k2融合SFS-Conv空间 - 频率选择卷积，在单卷积层中提取空间和频率维度特征，降低通道冗余
  32. YOLOv11改进 - C3k2融合 | C3k2融合FDConv频率动态卷积：空间-频域协同调制增强细节捕获，提升小目标与边界模糊目标检出
  33. YOLOv11改进 - C3k2融合 | C3k2 融合 ARConv 自适应矩形卷积：动态调整卷积核形状与采样点
  34. YOLOv11改进 - C3k2融合 | C3k2 融合 LSConv (Large-Small Conv）:融合大核感知与小核聚合，提升小目标特征判别力
  35. YOLOv11改进 - C3k2融合 | C3k2融合 EVA Block高效视觉注意力块（ICIP 2025）：融合多尺度特征自适应融合与通道级特征精炼
  36. YOLOv11改进 - C3k2融合 | C3k2融DBlock解码器块( CVPR 2025 ) Decoder Block：解码器块，去模糊和提升图像清晰度
  37. YOLOv11改进 - C3k2融合 | C3k2融合MambaOut（CVPR 2025）,简洁高效的视觉模型基线
  38. YOLOv11改进 - C3k2融合 | C3k2融合Mona多认知视觉适配器(CVPR 2025)：打破全参数微调的性能枷锁：即插即用的提点神器
  39. YOLOv11改进 - C3k2融合 | C3k2融合HMHA分层多头注意力机制（CVPR 2025）：优化模型在复杂场景下的目标感知能力

🚤 C2PSA🚤

  1. YOLOv11 改进 - C2PSA | C2PSA融合MSLA多尺度线性注意力（Arxiv2025 ）：并行多分支架构融合上下文语义，提升特征判别力
  2. YOLOv11 改进 - C2PSA | C2PSA融合DML动态混合层（Dynamic Mixing Layer）轻量级设计优化局部细节捕获与通道适应性，提升超分辨率重建质量
  3. YOLOv11 改进 - C2PSA | C2PSA融合EDFFN高效判别频域前馈网络(CVPR 2025)：频域筛选机制增强细节感知，优化复杂场景目标检测
  4. YOLOv11 改进 - C2PSA | C2PSA融合Mona多认知视觉适配器(CVPR 2025)：打破全参数微调的性能枷锁：即插即用的提点神器，引领视觉微调新突破
  5. YOLOv11 改进 - C2PSA | C2PSA融合CPIASA跨范式交互与对齐自注意力机制（ACM MM2025）: 交互对齐机制破解特征融合难题，提升小目标与遮挡目标判别力

🧨SPPF改进 🧨

  1. YOLOv11 改进 - SPPF模块 | 发论文神器！LSKA注意力改进SPPF,增强多尺度特征提取能力，高效涨点！！！
  2. YOLOv11 改进 - SPPF模块 | 替代SPPF，FFocal Modulation焦点调制：即插即用轻量设计优化全局语义捕获
  3. YOLOv11 改进 - SPPF模块 | AIFI基于注意力的尺度内特征交互：替代SPPF构建高效混合编码器，提升模型综合效能
  4. YOLOv11 改进 - SPPF模块 | SPPELAN 空间金字塔池化与增强局部注意力：替代SPPF增强多尺度上下文捕获，提升检测精度
  5. YOLOv11 改进 - SPPF模块 | 替代SPPF, Mona多认知视觉适配器(CVPR 2025)：打破全参数微调的性能枷锁：即插即用的提点神器

🛩️即插即用模块 🛩️

  1. YOLOv11 改进 - 即插即用 | RepViTBlock重参数化视觉Transformer块：结构重参数化技术破解训练推理效率瓶颈，实现精度与速度兼得
  2. YOLOv11 改进 - 即插即用 | SMFA自调制特征聚合：双分支协同破解特征冗余，增强多尺度目标感知
  3. YOLOv11 改进 - 即插即用 | 中小目标检测飙升：Hyper 超图赋能YOLO：轻量级设计实现跨层级信息交互，增强复杂场景感知
  4. YOLOv11 改进 - 即插即用 | PST金字塔稀疏Transformer：粗粒度到细粒度推理优化特征提取，提升复杂场景适应性

🪂主干改进 🪂

  1. YOLOv11 改进 - 主干网络| EfficientRep：一种旨在提高硬件效率的RepVGG风格卷积神经网络架构
  2. YOLOv11 改进 - 主干网络| 清华大学CloFormer AttnConv ：利用共享权重和上下文感知权重增强局部感知，注意力机制与卷积的完美融合
  3. YOLOv11 改进 - 主干网络| MobileNetV4 移动网络第四版：通用倒瓶颈与移动注意力协同优化硬件效率，提升移动端检测适应性
  4. YOLOv11 改进 - 主干网络| EfficientViT 高效视觉Transformer：硬件感知架构平衡全局感受野与局部细节，提升模型适应性
  5. YOLOv11 改进 - 主干网络| FasterNet (基于PConv部分卷积的神经网络)：轻量级设计优化内存访问效率，实现精度与速度双重提升
  6. YOLOv11 改进 - 主干网络| SwinTransformer 移位窗口层次化视觉变换器：层次化特征提取增强多尺度目标感知，优化复杂场景检测
  7. YOLOv11 改进 - 主干网络| ConvNeXtV2全卷积掩码自编码器网络：轻量级纯卷积架构破解特征坍塌难题，提升特征多样性
  8. YOLOv11 改进 - 主干网络| RevCol可逆列网络：轻量级多列设计破解特征信息丢失难题，提升小目标与密集目标感知精度
  9. YOLOv11 改进 - 主干网络| LSKNet大型选择性核网络：大核深度卷积与空间选择机制协同动态调整感受野，增强旋转目标检测
  10. YOLOv11 改进 - 主干网络| RepViT重访移动端CNN的ViT视角：轻量级设计分离Token与Channel混合器，优化移动端实时检测

🚀 采样 🚀

  1. YOLO11改进-上采样 | EUCB高效上卷积块，实现特征图尺度匹配和高效上采样

  2. YOLOv11 改进 -下采样 | 特征融合 NECK 优化，CARAFE 轻量算子让 YOLO11 细节检测飙升

  3. YOLOv11 改进 - 下采样 | 轻量化突破：ADown 下采样让 YOLOv11 参量减、精度升

  4. YOLOv11 改进 - 采样 | ICCV 顶会技术：WaveletPool 小波池化强化采样，保留小目标细节

  5. YOLOv11 改进 - 采样 | mAP 升 2%-7%：DRFD&SRFD 分阶下采样，强化特征稳健性

  6. YOLOv11 改进 - 采样 | 小目标分割救星：HWD 降采样少丢细节提精度

✈️ 检测头 ✈️

  1. YOLOv11 改进 - 检测头 | DetectDeepDBB 基于深度多样分支块的检测头：优化特征提取流程，改善多尺度目标检测
  2. YOLOv11 改进 - 检测头 | Detect_LSCD轻量共享卷积检测头：轻量化设计破解计算瓶颈，增强复杂场景目标感知能力
  3. YOLOv11 改进 - 检测头 | Detect-Dyhead动态检测头：轻量级设计统一多头注意力，提升复杂场景感知效率
posted @ 2025-12-19 22:22  YOLOv8大师  阅读(0)  评论(0)    收藏  举报