Swin Transformer + YOLO系列!（以YOLOv11为例） 层级式特征提取 猛猛提点！保姆级手把手教程来了！（已出单版！！！！）

YOLO 结合CVPR年度最佳论文——Swin Transformer，把握视觉特征、不同尺度但同目标的语义特征、检测目标与周围复杂干扰的上下文特征等多尺度特征，实现层级式特征提取，有效抗干扰，强势提点！

---

其实目前网上现有的几篇Swin Transformer + YOLO系列的文章没办法做到傻瓜式的部署和跑通模型，这些文章中教的需要修改的代码也不完善，有的只写了需要修改的文件名但没说怎么改，有的需要改的文件根本没列出来.....

同时，目前YOLO的最新版的官方工程代码，结构相较于以往版本有一定程度上的调整，以往教程还未根据最新更新的结构进行调整，无法直接使用。

因此，对着那些教程，代码往往还是会报错，无法直接实现模型的傻瓜式、快速跑通，许多 代码实践经验较少 或者 看到代码就头疼的同学 遇到这种情况表示很是困扰。为解决这一问题，我们决定：做一个，从第一步到最后一步，都精细到“打开aaaa/bbbb/cccc地址下的dddd.py的文件，将代码的第n行：XXXXX改为xxxxx”的小白教程，帮助大家2小时快速跑通，解决论文的实验环节！废话不多说，我们直接开始！

---

一、Swin Transformer简介

上图为Swin Transformer网络结构图

传统检测基于卷积思想（CNN）进行特征提取，CNN更为关注局部特征，忽略了局部与局部之间的联系，而Transformer很好地解决了这一问题。Swin Transformer更多地结合了计算机视觉的先验知识，实现了与卷积神经网络类似的层级化结构设计，通过Self Window、Shifted Window配对的灵活的自注意力机制，使得网络在较浅的层级就已经拥有了覆盖全局的感受野，拥有全局建模的能力，并且提高了模型的计算性能。详细内容，请见原文。

就走流程简单介绍一下，你不会真觉得要把它们全部理解全部看懂吧？你别管了！跟我上高速🛣️

---

接下来以YOLOv11为例进行介绍

二、Swin Transformer + YOLOv11

2.1 下载yolo工程代码

创建虚拟环境的小白教程文章很多，这一步我们就不过多赘述了，我们也不会讲的比其他大佬更好，我们也是参照别人文章创建的，哈哈哈。你别管了，对着大佬们的文章一步步搞！注意奥，如果要运行yolo11的话，pytorch版本好像是要1.8以上。创建虚拟环境文章在此！大家按口味喜好自选

接下来，有点超纲，但跟着我，你别管了好吧，少年郎，去成为出色的程序员！GitHub，扒代码去。怕你不会（我第一次扒就有点慌），我一步步说。先点开YOLO官方代码，然后看图，就是这里，对准点，别搞错了，下载，解压。

来到这一步，讲道理，你真不是一般人了，多少沾点天资聪颖。

2.2 核心代码展示

来到这一步，早已被论文、代码压弯的身躯已经慢慢直起来了一点，心中响起来一个熟悉的旋律：起来，不愿做奴隶.....

OK暂停一下，跟上我的节奏整齐划一～～～

下面这段代码，给我左键点击代码块右上角复制，右键搞里头（xxxxx/xxxx/xxxx/）

class WindowAttention(nn.Module):
    """ 窗口注意力机制，包含相对位置偏置 """
    def __init__(self, dim, window_size, num_heads, qkv_bias=True, qk_scale=None, attn_drop=0., proj_drop=0.):
        super().__init__()
        self.dim = dim
        self.window_size = window_size  # 窗口高度(Wh)和宽度(Ww)
        self.num_heads = num_heads
        head_dim = dim // num_heads
        self.scale = qk_scale or head_dim ** -0.5

        # 定义相对位置偏置的参数表
        self.relative_position_bias_table = nn.Parameter(
            torch.zeros((2 * window_size[0] - 1) * (2 * window_size[1] - 1), num_heads))  # 形状：(2*Wh-1 * 2*Ww-1, nH)

        # 为窗口内的每个token生成成对的相对位置索引
        coords_h = torch.arange(self.window_size[0])
        coords_w = torch.arange(self.window_size[1])
        coords = torch.stack(torch.meshgrid([coords_h, coords_w]))  # 形状：(2, Wh, Ww)
        coords_flatten = torch.flatten(coords, 1)  # 形状：(2, Wh*Ww)
        relative_coords = coords_flatten[:, :, None] - coords_flatten[:, None, :]  # 形状：(2, Wh*Ww, Wh*Ww)
        relative_coords = relative_coords.permute(1, 2, 0).contiguous()  # 形状：(Wh*Ww, Wh*Ww, 2)
        relative_coords[:, :, 0] += self.window_size[0] - 1  # 调整坐标从0开始
        relative_coords[:, :, 1] += self.window_size[1] - 1
        relative_coords[:, :, 0] *= 2 * self.window_size[1] - 1
        relative_position_index = relative_coords.sum(-1)  # 形状：(Wh*Ww, Wh*Ww)
        self.register_buffer("relative_position_index", relative_position_index)

        self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias)
        self.attn_drop = nn.Dropout(attn_drop)
        self.proj = nn.Linear(dim, dim)
        self.proj_drop = nn.Dropout(proj_drop)

        nn.init.normal_(self.relative_position_bias_table, std=.02)
        self.softmax = nn.Softmax(dim=-1)

    def forward(self, x, mask=None):
        B_, N, C = x.shape
        qkv = self.qkv(x).reshape(B_, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
        q, k, v = qkv[0], qkv[1], qkv[2]  # 解包q,k,v（TorchScript兼容性处理）

        q = q * self.scale
        attn = (q @ k.transpose(-2, -1))

        # 添加相对位置偏置
        relative_position_bias = self.relative_position_bias_table[self.relative_position_index.view(-1)].view(
            self.window_size[0] * self.window_size[1], self.window_size[0] * self.window_size[1], -1)  # (Wh*Ww, Wh*Ww, nH)
        relative_position_bias = relative_position_bias.permute(2, 0, 1).contiguous()  # (nH, Wh*Ww, Wh*Ww)
        attn = attn + relative_position_bias.unsqueeze(0)

        if mask is not None:  # 应用注意力掩码
            nW = mask.shape[0]
            attn = attn.view(B_ // nW, nW, self.num_heads, N, N) + mask.unsqueeze(1).unsqueeze(0)
            attn = attn.view(-1, self.num_heads, N, N)
            attn = self.softmax(attn)
        else:
            attn = self.softmax(attn)

        attn = self.attn_drop(attn)

        # 注意力加权后的值计算
        try:
            x = (attn @ v).transpose(1, 2).reshape(B_, N, C)
        except:  # 处理半精度兼容性问题
            x = (attn.half() @ v).transpose(1, 2).reshape(B_, N, C)
        x = self.proj(x)
        x = self.proj_drop(x)
        return x

class SwinTransformer(nn.Module):
    """ CSP瓶颈结构（参考自CrossStagePartialNetworks） """
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):  # 输入通道, 输出通道, 重复次数, 是否捷径, 分组数, 扩展系数
        super(SwinTransformer, self).__init__()
        c_ = int(c2 * e)  # 隐藏层通道数
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c1, c_, 1, 1)
        self.cv3 = Conv(2 * c_, c2, 1, 1)
        num_heads = c_ // 32  # 根据通道数计算注意力头数
        self.m = SwinTransformerBlock(c_, c_, num_heads, n)

    def forward(self, x):
        y1 = self.m(self.cv1(x))  # 主路径处理
        y2 = self.cv2(x)          # 捷径路径处理
        return self.cv3(torch.cat((y1, y2), dim=1))

class SwinTransformerB(nn.Module):
    """ 变种B的CSP瓶颈结构 """
    def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5):
        super(Swin_Transformer_B, self).__init__()
        c_ = int(c2)  # 隐藏层通道数等于输出通道
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_, c_, 1, 1)
        self.cv3 = Conv(2 * c_, c2, 1, 1)
        num_heads = c_ // 32
        self.m = SwinTransformerBlock(c_, c_, num_heads, n)

    def forward(self, x):
        x1 = self.cv1(x)
        y1 = self.m(x1)  # 主路径处理
        y2 = self.cv2(x1)  # 内部捷径处理
        return self.cv3(torch.cat((y1, y2), dim=1))

class SwinTransformerC(nn.Module):
    """ 变种C的CSP瓶颈结构 """
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):
        super(Swin_Transformer_C, self).__init__()
        c_ = int(c2 * e)  # 隐藏层通道数
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c1, c_, 1, 1)
        self.cv3 = Conv(c_, c_, 1, 1)
        self.cv4 = Conv(2 * c_, c2, 1, 1)
        num_heads = c_ // 32
        self.m = SwinTransformerBlock(c_, c_, num_heads, n)

    def forward(self, x):
        y1 = self.cv3(self.m(self.cv1(x)))  # 主路径处理后再次卷积
        y2 = self.cv2(x)                    # 捷径路径处理
        return self.cv4(torch.cat((y1, y2), dim=1))

class Mlp(nn.Module):
    """ 多层感知机模块 """
    def __init__(self, in_features, hidden_features=None, out_features=None, act_layer=nn.SiLU, drop=0.):
        super().__init__()
        out_features = out_features or in_features
        hidden_features = hidden_features or in_features
        self.fc1 = nn.Linear(in_features, hidden_features)
        self.act = act_layer()  # 激活函数默认SiLU
        self.fc2 = nn.Linear(hidden_features, out_features)
        self.drop = nn.Dropout(drop)

    def forward(self, x):
        x = self.fc1(x)
        x = self.act(x)
        x = self.drop(x)
        x = self.fc2(x)
        x = self.drop(x)
        return x

def window_partition(x, window_size):
    """ 将特征图划分为不重叠的窗口 
    输入形状: (B, H, W, C)
    输出形状: (num_windows*B, window_size, window_size, C)
    """
    B, H, W, C = x.shape
    assert H % window_size == 0 and W % window_size == 0, '特征图尺寸必须能被窗口大小整除'
    x = x.view(B, H // window_size, window_size, W // window_size, window_size, C)
    windows = x.permute(0, 1, 3, 2, 4, 5).contiguous().view(-1, window_size, window_size, C)
    return windows

def window_reverse(windows, window_size, H, W):
    """ 将窗口还原回原始特征图 
    输入形状: (num_windows*B, window_size, window_size, C)
    输出形状: (B, H, W, C)
    """
    B = int(windows.shape[0] / (H * W / window_size / window_size))
    x = windows.view(B, H // window_size, W // window_size, window_size, window_size, -1)
    x = x.permute(0, 1, 3, 2, 4, 5).contiguous().view(B, H, W, -1)
    return x

class SwinTransformerLayer(nn.Module):
    """ Swin Transformer基础层，包含窗口注意力/滑动窗口注意力和MLP """
    def __init__(self, dim, num_heads, window_size=8, shift_size=0,
                 mlp_ratio=4., qkv_bias=True, qk_scale=None, drop=0., attn_drop=0., drop_path=0.,
                 act_layer=nn.SiLU, norm_layer=nn.LayerNorm):
        super().__init__()
        self.dim = dim
        self.num_heads = num_heads
        self.window_size = window_size
        self.shift_size = shift_size
        self.mlp_ratio = mlp_ratio
        assert 0 <= self.shift_size < self.window_size, "shift_size必须位于0到window_size之间"

        self.norm1 = norm_layer(dim)
        self.attn = WindowAttention(
            dim, window_size=(self.window_size, self.window_size), num_heads=num_heads,
            qkv_bias=qkv_bias, qk_scale=qk_scale, attn_drop=attn_drop, proj_drop=drop)
        self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity()
        self.norm2 = norm_layer(dim)
        mlp_hidden_dim = int(dim * mlp_ratio)
        self.mlp = Mlp(in_features=dim, hidden_features=mlp_hidden_dim, act_layer=act_layer, drop=drop)

    def create_mask(self, H, W):
        """ 为滑动窗口注意力生成掩码 """
        img_mask = torch.zeros((1, H, W, 1))  # 形状：(1, H, W, 1)
        # 划分不同区域
        h_slices = (slice(0, -self.window_size),
                    slice(-self.window_size, -self.shift_size),
                    slice(-self.shift_size, None))
        w_slices = (slice(0, -self.window_size),
                    slice(-self.window_size, -self.shift_size),
                    slice(-self.shift_size, None))
        
        cnt = 0
        for h in h_slices:
            for w in w_slices:
                img_mask[:, h, w, :] = cnt
                cnt += 1
        # 生成注意力掩码
        mask_windows = window_partition(img_mask, self.window_size)
        mask_windows = mask_windows.view(-1, self.window_size * self.window_size)
        attn_mask = mask_windows.unsqueeze(1) - mask_windows.unsqueeze(2)
        attn_mask = attn_mask.masked_fill(attn_mask != 0, float(-100.0)).masked_fill(attn_mask == 0, float(0.0))
        return attn_mask

    def forward(self, x):
        _, _, H_, W_ = x.shape
        # 特征图尺寸不足时进行填充
        Padding = False
        if min(H_, W_) < self.window_size or H_ % self.window_size != 0 or W_ % self.window_size != 0:
            Padding = True
            pad_r = (self.window_size - W_ % self.window_size) % self.window_size
            pad_b = (self.window_size - H_ % self.window_size) % self.window_size
            x = F.pad(x, (0, pad_r, 0, pad_b))
        
        B, C, H, W = x.shape
        L = H * W
        x = x.permute(0, 2, 3, 1).contiguous().view(B, L, C)  # 转换为序列格式
        
        # 生成注意力掩码
        if self.shift_size > 0:
            attn_mask = self.create_mask(H, W).to(x.device)
        else:
            attn_mask = None

        shortcut = x
        x = self.norm1(x)
        x = x.view(B, H, W, C)
        
        # 滑动窗口偏移
        if self.shift_size > 0:
            shifted_x = torch.roll(x, shifts=(-self.shift_size, -self.shift_size), dims=(1, 2))
        else:
            shifted_x = x
        
        # 窗口划分与注意力计算
        x_windows = window_partition(shifted_x, self.window_size)
        x_windows = x_windows.view(-1, self.window_size * self.window_size, C)
        attn_windows = self.attn(x_windows, mask=attn_mask)
        
        # 窗口还原与偏移恢复
        attn_windows = attn_windows.view(-1, self.window_size, self.window_size, C)
        shifted_x = window_reverse(attn_windows, self.window_size, H, W)
        if self.shift_size > 0:
            x = torch.roll(shifted_x, shifts=(self.shift_size, self.shift_size), dims=(1, 2))
        else:
            x = shifted_x
            
        # 残差连接与MLP
        x = x.view(B, H * W, C)
        x = shortcut + self.drop_path(x)
        x = x + self.drop_path(self.mlp(self.norm2(x)))
        
        # 恢复填充前的尺寸
        x = x.permute(0, 2, 1).contiguous().view(-1, C, H, W)
        if Padding:
            x = x[:, :, :H_, :W_]
        return x

class SwinTransformerBlock(nn.Module):
    """ Swin Transformer模块，包含多个基础层 """
    def __init__(self, c1, c2, num_heads, num_layers, window_size=8):
        super().__init__()
        self.conv = None
        if c1 != c2:  # 通道数不匹配时使用1x1卷积调整
            self.conv = Conv(c1, c2)
        # 构建多个Swin层（交替使用常规窗口和滑动窗口）
        self.blocks = nn.Sequential(*[
            SwinTransformerLayer(
                dim=c2,
                num_heads=num_heads,
                window_size=window_size,
                shift_size=0 if (i % 2 == 0) else window_size // 2  # 偶数层不偏移，奇数层偏移
            ) for i in range(num_layers)
        ])

    def forward(self, x):
        if self.conv is not None:
            x = self.conv(x)
        x = self.blocks(x)
        return x

---

2.2 付费内容💰 

 哥们真的不是骗子，哥们只是除夕夜街头，即将放飞理想的有志青年，点击下方链接，助理每一个梦想！（环游世界，替你自由）

童叟无欺💰 ：https://m.tb.cn/h.6m6wuQw?tk=41HJV4W2oiR

训练得到的模型测试轻松达到0.9+金指标！！！！有效提升复制干扰情况下的稳定性！提点就完了！

接下来我们的内容长达20+页的PDF，覆盖：修改其他文件、导包、注册，到最新的训练、测试、推理方法等等，同时可加🛰️用户社群，参与讨论，有效解决后续答疑、模型改进问题。

已经有多位同学陆续付费+入群，我们希望建立一个优质的交流渠道，帮助大家解决后续问题、交流，共同进步！👬👬👬

again：哥们真的不是骗子，哥们只是除夕夜街头，即将放飞理想的有志青年，点击下方链接，助理每一个梦想！（环游世界，替你自由）

💰 ：https://m.tb.cn/h.6m6wuQw?tk=41HJV4W2oiR