C3K2模块 与 C3K模块

C3K2模块

C3K2模块是专属于yolov11的一种特征提取组件，基于传统 C3 模块的改进设计，通过结合可变卷积核（例如 3x3、5x5 等）和通道分离策略，提供了更强大的特征提取能力，尤其适用于更复杂的场景和深层次的特征提取任务。

由于使用了不同大小的卷积核，C3K2 在处理复杂场景时能显著提高特征提取的精度，特别是在物体边界和复杂背景中的检测能力方面。

C3K模块

C3K 模块 是 YOLO11 模型中的一个关键模块，它在传统 C3 模块的基础上进行了增强，旨在提高特征提取能力，特别是适应更复杂的任务和多尺度检测需求。相比于传统的 C3 模块，C3K 引入了更多灵活性，尤其是在卷积核设计方面。

C3K 模块允许使用不同的卷积核大小，如 3x3、5x5，甚至更大的卷积核。这使得模型能够在不同尺度上提取特征，扩展了感受野，尤其有助于捕捉更复杂的空间特征。

尽管 C3K 增加了卷积核大小，但它仍然保持了较为轻量化的设计。通过分支结构和特征拼接，C3K 模块在保持高效计算的同时，提升了模型的检测精度。

Bottleneck模块

Bottleneck 模块 是神经网络中常用的一种结构，特别是在目标检测、图像分类和分割任务中具有广泛的应用。它最初在 ResNet（残差网络） 中被引入，旨在提高网络的深度和表现能力，同时减少计算量。

通道压缩和扩展：

• 输入降维：Bottleneck 模块首先通过 1x1 卷积将输入特征图的通道数进行压缩，减少计算量。这一过程也称为 "降维"。
• 中间卷积：随后使用 3x3 或更大的卷积核进行特征提取，这是模块中的核心计算部分。此时，特征图的空间维度保持不变。
• 输出扩展：最后通过另一个 1x1 卷积将通道数扩展回原始的大小。

残差连接：

• Bottleneck 模块与残差连接（Residual Connection）结合，形成了跳跃连接（Skip Connection），使输入特征能够直接与输出进行相加。这一结构使得网络在深层次的情况下仍能有效训练，缓解了梯度消失问题。