从ResNet到YOLOv11：深度学习如何让计算机"看懂"图像？
从ResNet到YOLOv11：深度学习如何让计算机"看懂"图像？
上一篇我们学习了ResNet，理解了深度学习的基础。这一篇我们来看看ResNet的思想如何应用到实际任务中——以YOLOv11为例，了解目标检测的奥秘。
一、回顾ResNet：我们学到了什么？
1.1 ResNet的核心思想
传统网络：学习完整的映射 H(x)
ResNet：学习残差 F(x) = H(x) - x，输出 F(x) + x
关键创新：跳跃连接（Skip Connection）
作用：解决深层网络的梯度消失问题
1.2 ResNet的结构
输入 x
│
├─────────────────┐
↓ │
Conv → BN → ReLU │
↓ │
Conv → BN │
↓ │
⊕ ←───────────────┘
↓
ReLU
↓
输出
1.3 ResNet的影响
ResNet不仅是一个分类网络，它的思想影响了后续几乎所有深度学习模型：
| 网络 | 应用 | 借鉴ResNet的地方 |
|---|---|---|
| FPN | 特征金字塔 | 多尺度特征融合 |
| U-Net | 图像分割 | 跳跃连接 |
| YOLO | 目标检测 | Backbone特征提取 |
| PointNet | 点云处理 | 残差思想 |
今天，我们来看看YOLOv11如何借鉴ResNet的思想。
二、什么是目标检测？（先搞懂任务）
2.1 图像分类 vs 目标检测
图像分类（ResNet做的）：
输入：一张图像
输出：一个类别标签
例子：
输入：猫的照片
输出：这是"猫"（概率95%）
目标检测（YOLO做的）：
输入：一张图像
输出：多个物体的位置和类别
例子：
输入：街景照片
输出：
- 这里有一辆车（位置：[100, 200, 300, 400]，类别：汽车，概率98%）
- 这里有一个人（位置：[500, 100, 600, 500]，类别：行人，概率95%）
- 这里有一辆车（位置：[700, 300, 900, 500]，类别：汽车，概率92%）
2.2 目标检测的输出格式
每个检测结果包含：
1. 边界框（Bounding Box）：[x1, y1, x2, y2]
- (x1, y1)：左上角坐标
- (x2, y2)：右下角坐标
2. 类别（Class）：汽车、行人、自行车等
3. 置信度（Confidence）：0-100%，表示有多确定
例子：
{
"bbox": [100, 200, 300, 400],
"class": "car",
"confidence": 0.98
}
2.3 目标检测的应用
| 领域 | 应用 | 例子 |
|---|---|---|
| 自动驾驶 | 车辆行人检测 | 检测周围的车、人、交通标志 |
| 安防监控 | 异常行为检测 | 检测入侵、遗留物 |
| 医学影像 | 病灶检测 | 检测肿瘤、病变 |
| 工业质检 | 缺陷检测 | 检测产品缺陷 |
| 零售分析 | 客流统计 | 统计顾客数量 |
2.4 目标检测的挑战
1. 多尺度问题
- 远处的车很小（20×20像素）
- 近处的车很大（200×200像素）
- 网络需要同时检测大小物体
2. 密集目标
- 一群人站在一起
- 物体相互遮挡
- 需要准确区分每个物体
3. 实时性要求
- 自动驾驶需要实时检测
- 每秒处理30帧以上
- 速度和精度要平衡
三、YOLO系列发展历史（了解背景）
3.1 目标检测的两大流派
两阶段检测器（Two-Stage）：
第一阶段：生成候选区域（Region Proposals）
第二阶段：对候选区域分类和回归
代表：R-CNN系列（R-CNN → Fast R-CNN → Faster R-CNN）
优点：精度高
缺点：速度慢
单阶段检测器（One-Stage）：
直接在图像上预测边界框和类别
不需要候选区域生成
代表：YOLO系列、SSD
优点：速度快
缺点：早期版本精度较低
3.2 YOLO的发展历程
YOLOv1 (2016)
│
↓ 开创性的单阶段检测
YOLOv2 (2017)
│
↓ 引入Anchor Box
YOLOv3 (2018)
│
↓ 多尺度检测
YOLOv4 (2020)
│
↓ 大量技巧集成
YOLOv5 (2020)
│
↓ 工程化优化，PyTorch实现
YOLOv8 (2023)
│
↓ 解耦头，Anchor-Free
YOLOv11 (2024)
│
↓ 更高效的架构
3.3 为什么叫YOLO？
YOLO = You Only Look Once
传统方法：看很多次
- 滑动窗口：在图像上滑动几千次
- 候选区域：先找可能有物体的地方，再分类
YOLO：只看一次
- 把图像分成网格
- 每个网格直接预测
- 一次前向传播得到所有结果
类比：
传统方法：用放大镜一个区域一个区域扫描
YOLO：用眼睛扫一眼，同时看到所有东西
四、YOLOv11的网络架构（核心内容）
4.1 整体架构：Backbone-Neck-Head
输入图像
│
↓
┌─────────────────────────────────────┐
│ Backbone（骨干网络） │
│ 提取图像特征 │
│ 类似ResNet的作用 │
└─────────────────────────────────────┘
│
↓
┌─────────────────────────────────────┐
│ Neck（颈部网络） │
│ 融合多尺度特征 │
│ 连接Backbone和Head │
└─────────────────────────────────────┘
│
↓
┌─────────────────────────────────────┐
│ Head（检测头） │
│ 预测边界框和类别 │
│ 输出最终检测结果 │
└─────────────────────────────────────┘
│
↓
检测结果：[边界框, 类别, 置信度]
4.2 Backbone：特征提取（借鉴ResNet）
Backbone的作用：
输入：原始图像 [H, W, 3]
输出：多尺度特征图
特征图大小：
- P1: H/2 × W/2 （浅层，细节特征）
- P2: H/4 × W/4
- P3: H/8 × W/8 （中层）
- P4: H/16 × W/16
- P5: H/32 × W/32 （深层，语义特征）
YOLOv11的Backbone结构：
输入图像 [640×640×3]
│
↓
┌─────────────────┐
│ Conv 3×3, stride=2 │ → [320×320×16]
└─────────────────┘
│
↓
┌─────────────────┐
│ Conv 3×3, stride=2 │ → [160×160×32]
└─────────────────┘
│
↓
┌─────────────────┐
│ C3k2 Block │ → [160×160×64]
│ (类似ResNet残差块) │
└─────────────────┘
│
↓
┌─────────────────┐
│ Conv 3×3, stride=2 │ → [80×80×128]
└─────────────────┘
│
↓
┌─────────────────┐
│ C3k2 Block ×3 │ → [80×80×128]
└─────────────────┘
│
↓
┌─────────────────┐
│ Conv 3×3, stride=2 │ → [40×40×256]
└─────────────────┘
│
↓
┌─────────────────┐
│ C3k2 Block ×3 │ → [40×40×256]
└─────────────────┘
│
↓
┌─────────────────┐
│ Conv 3×3, stride=2 │ → [20×20×512]
└─────────────────┘
│
↓
┌─────────────────┐
│ C3k2 Block │ → [20×20×512]
└─────────────────┘
│
↓
┌─────────────────┐
│ SPPF │ → [20×20×512]
│ (空间金字塔池化) │
└─────────────────┘
│
↓
┌─────────────────┐
│ C2PSA │ → [20×20×512]
│ (注意力机制) │
└─────────────────┘
4.3 C3k2 Block：YOLOv11的核心模块
C3k2是什么？
C3 = Cross-Stage Partial (跨阶段部分连接)
k2 = 双kernel大小 (1×1和3×3)
类比ResNet：
- ResNet用残差块
- YOLOv11用C3k2块
两者都用跳跃连接解决梯度消失！
C3k2的结构：
输入
│
├──────────────────────────────┐
↓ │
┌─────────────────┐ │
│ Conv 1×1 │ ← 分支1 │
│ (降低通道数) │ │
└─────────────────┘ │
│ │
↓ │
┌─────────────────┐ │
│ Conv 3×3 │ │
│ (特征提取) │ │
└─────────────────┘ │
│ │
├──────────────────────────────┤
│ │
↓ ↓
┌─────────────────┐ │
│ Conv 1×1 │ │
│ (降低通道数) │ │
└─────────────────┘ │
│ │
↓ │
┌─────────────────┐ │
│ Conv 3×3 │ │
│ (特征提取) │ │
└─────────────────┘ │
│ │
↓ │
Concat（拼接）←───────────────────┘
│
↓
Conv 1×1（融合）
│
↓
输出
为什么叫"跨阶段部分连接"？
输入分成两部分：
- 一部分直接传到输出（跳跃连接）
- 一部分经过卷积处理
最后拼接两部分
好处：
- 减少计算量（只处理一部分）
- 保持梯度流动（跳跃连接）
4.4 SPPF：空间金字塔池化
SPPF的作用：
输入：20×20×512的特征图
输出：同样大小，但融合了不同尺度的信息
原理：
用不同大小的池化核提取特征
- 5×5 最大池化
- 9×9 最大池化
- 13×13 最大池化
然后拼接所有特征
代码实现：
class SPPF(nn.Module):
"""空间金字塔池化 - 快速版本"""
def __init__(self, c1, c2, k=5):
"""
c1: 输入通道数
c2: 输出通道数
k: 池化核大小
"""
super().__init__()
c_ = c1 // 2 # 隐藏层通道数
# 1×1卷积降低通道数
self.cv1 = Conv(c1, c_, 1, 1)
# 最大池化
self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2)
# 1×1卷积融合
self.cv2 = Conv(c_ * 4, c2, 1, 1)
def forward(self, x):
x = self.cv1(x) # [B, c_, H, W]
y1 = self.m(x) # [B, c_, H, W]
y2 = self.m(y1) # [B, c_, H, W]
y3 = self.m(y2) # [B, c_, H, W]
# 拼接所有特征
return self.cv2(torch.cat([x, y1, y2, y3], 1))
4.5 C2PSA：注意力机制
什么是注意力机制？
人类视觉：自动聚焦重要区域
- 看照片时，眼睛会自动看向人脸、文字等重要区域
- 忽略背景、天空等不重要的区域
注意力机制：让网络也学会"聚焦"
- 自动学习哪些特征重要
- 给重要特征更大的权重
C2PSA的结构：
输入
│
├──────────────────────────────┐
↓ │
┌─────────────────┐ │
│ Conv 1×1 │ │
└─────────────────┘ │
│ │
↓ │
┌─────────────────┐ │
│ PSA注意力模块 │ │
│ (学习关注哪里) │ │
└─────────────────┘ │
│ │
↓ │
┌─────────────────┐ │
│ Conv 1×1 │ │
└─────────────────┘ │
│ │
↓ │
Concat（拼接）←───────────────────┘
│
↓
Conv 1×1（融合）
│
↓
输出
PSA注意力模块：
class PSA(nn.Module):
"""位置敏感注意力模块"""
def __init__(self, c1, c2):
super().__init__()
# 通道注意力
self.channel_attn = nn.Sequential(
nn.AdaptiveAvgPool2d(1),
nn.Conv2d(c1, c1 // 16, 1),
nn.ReLU(),
nn.Conv2d(c1 // 16, c1, 1),
nn.Sigmoid()
)
# 空间注意力
self.spatial_attn = nn.Sequential(
nn.Conv2d(2, 1, 7, padding=3),
nn.Sigmoid()
)
def forward(self, x):
# 通道注意力
channel_attn = self.channel_attn(x)
x = x * channel_attn
# 空间注意力
avg_out = torch.mean(x, dim=1, keepdim=True)
max_out, _ = torch.max(x, dim=1, keepdim=True)
spatial_attn = self.spatial_attn(torch.cat([avg_out, max_out], dim=1))
x = x * spatial_attn
return x
4.6 Neck：特征融合（FPN+PAN）
为什么需要特征融合？
浅层特征（P1, P2）：
- 分辨率高，细节丰富
- 适合检测小物体
- 但语义信息少
深层特征（P4, P5）：
- 分辨率低，细节少
- 语义信息丰富
- 适合检测大物体
问题：如何同时检测大小物体？
答案：融合多尺度特征！
FPN（特征金字塔）：
P5 (20×20) ──────────────────→ 输出5
│
↓ 上采样
│
P4 (40×40) ──────────────────→ 输出4
│
↓ 上采样
│
P3 (80×80) ──────────────────→ 输出3
│
↓ 上采样
│
P2 (160×160) ─────────────────→ 输出2
FPN：从上到下，把深层语义信息传递给浅层
PAN（路径聚合网络）：
输出2 ←──────────────────── P2 (160×160)
│
↓ 下采样
│
输出3 ←──────────────────── P3 (80×80)
│
↓ 下采样
│
输出4 ←──────────────────── P4 (40×40)
│
↓ 下采样
│
输出5 ←──────────────────── P5 (20×20)
PAN：从下到上，把浅层位置信息传递给深层
YOLOv11的Neck：FPN + PAN：
P5 ─────────────────────────────────────→ 输出5
│ ↑
↓ 上采样 │
│ │
P4 ─────────────────────────────────────→ 输出4
│ ↑ ↑
↓ 上采样 │ 下采样 │
│ │ │
P3 ─────────────────────────────────────→ 输出3
│ ↑ ↑
↓ 上采样 │ 下采样 │
│ │ │
P2 ─────────────────────────────────────→ 输出2
双向融合：既传递语义信息，又传递位置信息
4.7 Head：检测头
YOLOv11的解耦头：
特征图
│
├─────────────────┐
↓ │
┌─────────────┐ │
│ 分类分支 │ │
│ (预测类别) │ │
└─────────────┘ │
│
↓ │
┌─────────────┐ │
│ 回归分支 │ │
│ (预测边界框) │ │
└─────────────┘ │
│
↓ ↓
┌─────────────────┐
│ 检测结果 │
│ [类别, 边界框] │
└─────────────────┘
为什么用解耦头？
耦合头（早期YOLO）：
- 一个分支同时预测类别和边界框
- 两个任务互相干扰
解耦头（YOLOv11）：
- 分类和回归分开
- 各自独立优化
- 精度更高
五、ResNet与YOLOv11的对比（核心内容）
5.1 共同点
| 方面 | ResNet | YOLOv11 | 共同点 |
|---|---|---|---|
| 残差连接 | ✓ | ✓ | 都用跳跃连接解决梯度消失 |
| BatchNorm | ✓ | ✓ | 都用BN加速训练 |
| ReLU激活 | ✓ | ✓ | 都用ReLU引入非线性 |
| 深层网络 | ✓ | ✓ | 都可以训练很深的网络 |
| 特征提取 | ✓ | ✓ | 都是骨干网络的一部分 |
5.2 不同点
| 方面 | ResNet | YOLOv11 |
|---|---|---|
| 任务 | 图像分类 | 目标检测 |
| 输出 | 一个类别标签 | 多个边界框+类别 |
| 结构 | 单一骨干网络 | Backbone+Neck+Head |
| 多尺度 | 不需要 | 必须处理多尺度 |
| 实时性 | 不要求 | 必须实时 |
| 应用场景 | 通用分类 | 自动驾驶、安防等 |
5.3 架构对比图
ResNet：
输入图像 → Backbone → 全局池化 → 分类头 → 类别
[ResNet]
YOLOv11：
输入图像 → Backbone → Neck → Head → 检测结果
[C3k2] [FPN [解耦头]
+PAN]
5.4 详细对比：残差块 vs C3k2块
ResNet的残差块：
输入 x
│
├─────────────────┐
↓ │
Conv 3×3 → BN → ReLU
↓ │
Conv 3×3 → BN │
↓ │
⊕ ←───────────────┘
↓
ReLU
↓
输出
特点：
- 两层卷积
- 跳跃连接
- 简单有效
YOLOv11的C3k2块：
输入
│
├──────────────────────────────┐
↓ │
Conv 1×1 → Conv 3×3 │
│ │
├──────────────────────────────┤
│ │
↓ │
Conv 1×1 → Conv 3×3 │
│ │
↓ │
Concat ←─────────────────────────┘
│
↓
Conv 1×1
│
↓
输出
特点：
- 多分支结构
- 跨阶段连接
- 更高效的特征复用
5.5 共同的设计哲学
1. 层次化特征提取
ResNet：
浅层 → 中层 → 深层
(边缘) (形状) (物体)
YOLOv11 Backbone：
浅层 → 中层 → 深层
(细节) (中层) (语义)
2. 跳跃连接解决梯度消失
# ResNet
output = conv(x) + x # 残差连接
# YOLOv11 C3k2
output = concat(branch1, branch2) # 跨阶段连接
# 本质相同：让梯度有"高速公路"
3. 渐进式特征抽象
第1层：学习简单特征（边缘、纹理）
第2层：学习中等特征（形状、图案）
第3层：学习复杂特征（物体部件）
第4层：学习高级语义（整个物体）
六、代码实现对比
6.1 ResNet的残差块
class ResidualBlock(nn.Module):
"""ResNet的残差块"""
def __init__(self, in_channels, out_channels, stride=1):
super().__init__()
# 主路径
self.conv1 = nn.Conv2d(in_channels, out_channels, 3, stride, 1, bias=False)
self.bn1 = nn.BatchNorm2d(out_channels)
self.relu = nn.ReLU(inplace=True)
self.conv2 = nn.Conv2d(out_channels, out_channels, 3, 1, 1, bias=False)
self.bn2 = nn.BatchNorm2d(out_channels)
# 跳跃连接
self.shortcut = nn.Sequential()
if stride != 1 or in_channels != out_channels:
self.shortcut = nn.Sequential(
nn.Conv2d(in_channels, out_channels, 1, stride, bias=False),
nn.BatchNorm2d(out_channels)
)
def forward(self, x):
# 主路径
out = self.relu(self.bn1(self.conv1(x)))
out = self.bn2(self.conv2(out))
# 跳跃连接
out += self.shortcut(x)
out = self.relu(out)
return out
6.2 YOLOv11的C3k2块
class C3k2(nn.Module):
"""YOLOv11的C3k2块"""
def __init__(self, c1, c2, n=1, shortcut=True):
"""
c1: 输入通道数
c2: 输出通道数
n: 重复次数
shortcut: 是否使用跳跃连接
"""
super().__init__()
c_ = c2 // 2 # 隐藏层通道数
# 两个分支
self.cv1 = Conv(c1, c_, 1, 1) # 分支1：1×1卷积
self.cv2 = Conv(c1, c_, 1, 1) # 分支2：1×1卷积
# 分支2的后续处理
self.m = nn.Sequential(
*[Bottleneck(c_, c_, shortcut) for _ in range(n)]
)
# 融合
self.cv3 = Conv(c2, c2, 1, 1)
def forward(self, x):
# 分支1：直接传递
y1 = self.cv1(x)
# 分支2：经过Bottleneck
y2 = self.m(self.cv2(x))
# 拼接并融合
return self.cv3(torch.cat([y1, y2], 1))
class Bottleneck(nn.Module):
"""Bottleneck块"""
def __init__(self, c1, c2, shortcut=True):
super().__init__()
self.cv1 = Conv(c1, c2, 1, 1) # 1×1卷积
self.cv2 = Conv(c2, c2, 3, 1) # 3×3卷积
self.shortcut = shortcut and c1 == c2
def forward(self, x):
if self.shortcut:
return x + self.cv2(self.cv1(x)) # 残差连接！
else:
return self.cv2(self.cv1(x))
关键发现：YOLOv11的Bottleneck也用了残差连接！
6.3 YOLOv11的Backbone
class YOLOv11Backbone(nn.Module):
"""YOLOv11的Backbone"""
def __init__(self):
super().__init__()
# 初始卷积层
self.stem = nn.Sequential(
Conv(3, 16, 3, 2), # 640→320
Conv(16, 32, 3, 2), # 320→160
C3k2(32, 64), # 160×160×64
)
# 4个阶段
self.stage1 = nn.Sequential(
Conv(64, 128, 3, 2), # 160→80
C3k2(128, 128, n=3), # 80×80×128
)
self.stage2 = nn.Sequential(
Conv(128, 256, 3, 2), # 80→40
C3k2(256, 256, n=3), # 40×40×256
)
self.stage3 = nn.Sequential(
Conv(256, 512, 3, 2), # 40→20
C3k2(512, 512), # 20×20×512
)
# SPPF + 注意力
self.sppf = SPPF(512, 512)
self.c2psa = C2PSA(512, 512)
def forward(self, x):
# 初始层
x = self.stem(x) # [B, 64, 160, 160]
# 4个阶段
p2 = self.stage1(x) # [B, 128, 80, 80]
p3 = self.stage2(p2) # [B, 256, 40, 40]
p4 = self.stage3(p3) # [B, 512, 20, 20]
# SPPF + 注意力
p5 = self.c2psa(self.sppf(p4)) # [B, 512, 20, 20]
return [p2, p3, p4, p5] # 返回多尺度特征
6.4 YOLOv11的完整网络
class YOLOv11(nn.Module):
"""完整的YOLOv11网络"""
def __init__(self, num_classes=80):
super().__init__()
# Backbone
self.backbone = YOLOv11Backbone()
# Neck (FPN + PAN)
self.neck = YOLOv11Neck()
# Head (解耦头)
self.head = YOLOv11Head(num_classes)
def forward(self, x):
# Backbone提取特征
features = self.backbone(x) # [p2, p3, p4, p5]
# Neck融合特征
fused_features = self.neck(features) # [f2, f3, f4, f5]
# Head预测
predictions = self.head(fused_features)
return predictions
七、YOLOv11的创新点
7.1 C3k2 vs C2f（YOLOv8）
YOLOv8的C2f：
输入 → Conv 1×1 → 分支1 + 分支2 → Conv 1×1 → 输出
YOLOv11的C3k2：
输入 → Conv 1×1 → 分支1 + 分支2 → Conv 1×1 → 输出
↑
使用双kernel（1×1和3×3）
改进：
- 更高效的特征提取
- 参数量减少22%
- 精度保持或提升
7.2 C2PSA注意力机制
YOLOv8：没有注意力
YOLOv11：加入了C2PSA
作用：
- 自动学习重要特征
- 抑制不重要的特征
- 提高检测精度
7.3 Anchor-Free设计
传统YOLO（YOLOv3及以前）：
- 预定义Anchor Box（先验框）
- 预测相对于Anchor的偏移
YOLOv11：
- 不需要预定义Anchor
- 直接预测边界框坐标
- 更简单，更灵活
Anchor-Free的优势：
# Anchor-Based（传统）
# 需要预定义：
anchors = [[10,13], [16,30], [33,23], # 小物体
[30,61], [62,45], [59,119], # 中物体
[116,90], [156,198], [373,326]] # 大物体
# Anchor-Free（YOLOv11）
# 直接预测：
output = {
"bbox": [x1, y1, x2, y2], # 直接预测坐标
"class": [0.1, 0.9, ...], # 类别概率
}
八、实战：YOLOv11检测示例
8.1 使用Ultralytics库
from ultralytics import YOLO
# 加载预训练模型
model = YOLO("yolo11n.pt") # nano版本，最快
# 或者更大的模型
# model = YOLO("yolo11s.pt") # small
# model = YOLO("yolo11m.pt") # medium
# model = YOLO("yolo11l.pt") # large
# model = YOLO("yolo11x.pt") # extra large
# 推理
results = model("image.jpg")
# 解析结果
for result in results:
boxes = result.boxes # 边界框
for box in boxes:
# 边界框坐标
x1, y1, x2, y2 = box.xyxy[0].tolist()
# 类别和置信度
cls = int(box.cls[0])
conf = float(box.conf[0])
# 类别名称
class_name = model.names[cls]
print(f"{class_name}: {conf:.2f} at [{x1:.0f}, {y1:.0f}, {x2:.0f}, {y2:.0f}]")
8.2 模型变体对比
| 模型 | 参数量 | mAP50-95 | 速度(ms) | 应用场景 |
|---|---|---|---|---|
| YOLO11n | 2.6M | 39.5 | 1.5 | 移动端、实时检测 |
| YOLO11s | 9.4M | 47.0 | 2.5 | 边缘设备 |
| YOLO11m | 20.1M | 51.5 | 4.5 | 服务器端 |
| YOLO11l | 25.3M | 53.4 | 6.0 | 高精度需求 |
| YOLO11x | 56.9M | 54.7 | 10.0 | 极致精度 |
8.3 训练自定义数据集
from ultralytics import YOLO
# 加载模型
model = YOLO("yolo11n.pt")
# 训练
results = model.train(
data="coco128.yaml", # 数据集配置
epochs=100, # 训练轮数
imgsz=640, # 图像大小
batch=16, # 批次大小
device=0, # GPU编号
)
# 验证
metrics = model.val()
print(f"mAP50-95: {metrics.box.map:.4f}")
8.4 导出和部署
from ultralytics import YOLO
# 加载模型
model = YOLO("yolo11n.pt")
# 导出为ONNX格式
model.export(format="onnx")
# 导出为TensorRT格式（NVIDIA GPU）
model.export(format="engine")
# 导出为CoreML格式（Apple设备）
model.export(format="coreml")
九、YOLOv11在3D占用感知中的应用
9.1 从2D检测到3D占用
YOLOv11：2D目标检测
- 输入：单张图像
- 输出：2D边界框
3D占用感知：
- 输入：多视角图像或点云
- 输出：3D占用网格
联系：
YOLOv11的Backbone可以用于提取2D特征
然后将2D特征提升到3D空间
9.2 结合ResNet和YOLOv11
class OccupancyNetwork(nn.Module):
"""基于YOLOv11的3D占用预测网络"""
def __init__(self, num_classes=16):
super().__init__()
# 使用YOLOv11的Backbone提取2D特征
self.backbone = YOLOv11Backbone()
# 2D到3D的提升
self.lift = nn.Sequential(
nn.Linear(512, 256),
nn.ReLU(),
nn.Linear(256, 128),
)
# 3D卷积处理
self.conv3d = nn.Sequential(
nn.Conv3d(128, 64, 3, padding=1),
nn.BatchNorm3d(64),
nn.ReLU(),
)
# 占用预测头
self.occ_head = nn.Sequential(
nn.Conv3d(64, 32, 3, padding=1),
nn.BatchNorm3d(32),
nn.ReLU(),
nn.Conv3d(32, num_classes, 1),
)
def forward(self, images):
"""
images: [B, N, 3, H, W] - 多视角图像
返回: [B, X, Y, Z, num_classes] - 3D占用预测
"""
B, N = images.shape[:2]
# 提取2D特征
features = []
for i in range(N):
feat = self.backbone(images[:, i]) # [B, C, H, W]
features.append(feat)
# 2D到3D提升（简化示意）
# 实际会用更复杂的几何变换
features_3d = self.lift_and_splat(features) # [B, C, X, Y, Z]
# 3D卷积
features_3d = self.conv3d(features_3d)
# 占用预测
occupancy = self.occ_head(features_3d) # [B, num_classes, X, Y, Z]
return occupancy
十、总结：ResNet与YOLOv11的关系
10.1 核心联系
ResNet（2015）
│
↓ 解决深层网络训练问题
│
├──→ 成为各种网络的骨干
│
├──→ YOLOv11的Backbone借鉴了ResNet的思想
│
└──→ 残差连接成为标准组件
10.2 关键对比
| 方面 | ResNet | YOLOv11 |
|---|---|---|
| 核心创新 | 残差连接 | 高效特征融合 |
| 解决的问题 | 梯度消失 | 多尺度检测 |
| 任务 | 分类 | 检测 |
| 结构 | 单一骨干 | Backbone+Neck+Head |
| 实时性 | 不要求 | 必须实时 |
| 应用场景 | 通用 | 自动驾驶等 |
10.3 学习路线
第一篇：ResNet
↓ 学习深度学习基础
↓ 理解残差连接
↓ 掌握特征提取
第二篇：YOLOv11（本文）
↓ 了解目标检测任务
↓ 学习多尺度特征融合
↓ 理解实时检测设计
第三篇：PointNet
↓ 处理3D点云数据
↓ 理解无序数据处理
↓ 为3D感知打基础
10.4 一句话总结
ResNet解决了"如何训练深层网络"的问题，YOLOv11解决了"如何实时检测多个物体"的问题。两者共同推动了深度学习在自动驾驶中的应用。
附录：关键术语表
| 术语 | 英文 | 含义 |
|---|---|---|
| 目标检测 | Object Detection | 定位和识别图像中的物体 |
| 边界框 | Bounding Box | 包围物体的矩形框 |
| 锚框 | Anchor Box | 预定义的参考框 |
| 特征金字塔 | Feature Pyramid | 多尺度特征表示 |
| 跨阶段连接 | Cross-Stage Partial | YOLOv11的特征复用方式 |
| 注意力机制 | Attention Mechanism | 学习关注重要特征 |
| 解耦头 | Decoupled Head | 分类和回归分开的检测头 |
下期预告：《从PointNet入门点云深度学习——如何处理无序的3D数据？》
作者：[你的公众号名称]
首发：微信公众号
转载请注明出处
浙公网安备 33010602011771号