yolov11添加P2小目标检测头与添加P6超大目标检测头

于 2025-11-03 09:15:47 发布
阅读量114 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： AI代码实战营：深度学习教程 文章标签： YOLO 目标检测 目标跟踪
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_64661770/article/details/154335910

在这里插入图片描述
蓝色线条为原模型，绿色线条为优化后的小目标模型，map提升3.2!

在这里插入图片描述
我们先理解什么叫做上下采样、再理解要选择哪一层作为检测头和分辨率越大检测目标越小等问题，然后再来添加小目标检测头就会容易理解很多！

原理介绍

一、上采样（Upsampling）

1. 定义

上采样是指将特征图的空间尺寸变大（例如从 20×20 → 80×80），用来提升图像的分辨率。常见于解码器结构或特征融合中。

2. YOLO 中的上采样

YOLO 使用 nn.Upsample 进行上采样，主要参数有：

nn.Upsample(scale_factor=</
了解本专栏 订阅专栏 解锁全文
YOLOv11改进 | Neck篇 | 给yolov11分别增加小目标检测层P2和大目标检测层P6
Snu77的博客
11-06 5012
本文给大家带来的最新改机制是给YOLOv11增加分别增加小目标P2和大目标检测层P6（两个yaml文件），有的读者可能检测的目标是小目标，那么我们增加小目标检测层是非常容易涨点的，或者你的检测目标是图片占比很大的（很少有这样的）那么增加大目标检测层是非常好的选择，本文根据YOLOv8官方提供的P2和P6两个版本yaml文件，进行YOLOv11的参考性移植，大家可以选择P2或者P6作为自己的一个论文创新点.欢迎大家订阅我的专栏一起学习YOLO！
YOLOv11改进：RevColV1可逆列目标检测网络（特征解耦助力小目标检测）
weixin_39818775的博客
04-26 853
本文提出的RevCol-YOLOv11目标检测网络，通过创新的可逆列架构和特征解耦机制，显著提升了小目标检测性能。实验表明，该方法在保持YOLO系列高效特性的同时，对小目标的检测精度提升明显。可逆设计带来的无损特征传播和多列交互增强的特征表示能力，为目标检测领域提供了新的技术思路。未来工作将聚焦于进一步优化计算效率，探索更灵活的特征解耦策略，以及研究跨模态的可逆学习框架。
为什么你的模型看不见小目标？试试 YOLO11-P2，这次真的有效！
最新发布
qq_46644077的博客
10-28 1098
在目标检测领域，YOLO 系列一直以“快、准、轻”著称。从最早的 YOLOv3 到 YOLOv8、YOLOv9，再到最新的 YOLO11，每一次迭代都在精度、速度与可扩展性之间寻找新的平衡。然而，随着无人机、边缘计算、移动终端等场景的兴起，我们开始面临新的挑战：如何在 极端受限的计算资源 下，依然保持稳定、精准的检测性能？这正是YOLO11-P2出现的背景。它是 YOLO11 系列中的一种轻量化结构变体，专为高分辨率小目标检测与低延迟实时推理场景优化。通过引入更浅层的P2 特征层。
YOLOP2层改进
BigGod139的博客
07-02 683
在目标检测任务中，P2 层（分辨率为输入图像 1/4 的特征层）主要负责捕获小目标细节特征。如何改进呢，仅需修改原yolo11.yaml配置文件，即可修改网络结构。yolov11原yaml文件：yolo11.yaml。p2改进后的，yolo11-p2.yaml。官方yolov12.yaml文件内容，
YOLOv8改进 | 检测头篇 | 利用AFPN改进检测头适配YOLOv8版（全网独家创新）
Snu77的博客
12-10 1万+
本文给大家带来的改进机制是利用今年新推出的AFPN（渐近特征金字塔网络）来优化检测头，AFPN的核心思想是通过引入一种渐近的特征融合策略，将底层、高层和顶层的特征逐渐整合到目标检测过程中。这种渐近融合方式有助于减小不同层次特征之间的语义差距，提高特征融合效果，使得检测模型能更好地适应不同层次的语义信息。本文在AFPN的结构基础上，为了适配YOLOv8改进AFPN结构，同时将AFPN融合到YOLOv8中(因为AFPN需要四个检测头，我们只有三个，下一篇文章我会出YOLOv8适配AFPN增加小目标检测头)
检测头篇 | YOLOv8 添加 大目标检测头 | 小目标检测头 | 4头BiFPN
热门推荐
YOLOv8项目贡献者
04-24 1万+
YOLOv8 添加 大目标检测头 | 小目标检测头 🍀新增小目标头加 BiFPN
YOLOv8改进 | 检测头篇 | 利用DynamicHead增加辅助检测头针对性检测(四头版本)
Snu77的博客
01-11 6887
本文给大家带来的改进机制是针对性的改进，针对于小目标检测增加P2层，针对于大目标检测增加P6层利用DynamicHead(原版本一比一复现，全网独一份，不同于网上魔改版本)进行检测，其中我们增加P2层其拥有更高的分辨率，这使得模型能够更好地捕捉到小尺寸目标的细节。我们增加P6层是一个较低分辨率但具有更大感受野的特征层。对于大尺寸目标，这意味着模型可以更有效地捕捉到整体的结构信息。在这些的基础上我们配合DynamicHead可以使模型根据不同尺寸的目标动态调整其检测策略，进一步提升模型的精度。本文的内容是订阅
YOLO11有效涨点优化：小目标检测 | 多头检测器提升小目标检测精度
QQ_778132974的博客
07-24 934
通过四头检测器架构、动态蛇形卷积和PIoU损失函数的协同优化，YOLO11的小目标检测精度实现了突破性提升。实验证明，该方案在无人机航拍、工业质检等场景中，对32×32像素以下目标的检测精度提升超过20个百分点。AI视觉新洞察：小目标检测的突破点在于“看得清”（高分辨率检测头）、“瞄得准”（PIoU损失）、“抓得牢”（DSConv贴合特征）。三者缺一不可！资源下载[完整代码]：https://github.com/your_name/YOLO11-FourHead。
【YOLOv11多模态融合改进】在前期、中期、中后期、后期多模态融合中添加P2小目标检测层，完整步骤及代码
Limiiiing的博客
04-10 849
主题： YOLOv11的多模态融合改进中增加P2小目标检测层方式： 分别在前期融合、中期融合、中-后期融合、后期融合中增加P2多模态融合检测层。内容： 包含融合方式详解以及完整配置步骤，开箱即用，一键运行。原始模型结构如下： 二、有效特征层对应的检测头类别 2.1 P3/8 - small检测头 原始模型中的对应的检测头主要用于检测相对较小的目标。其特征图大小相对较大，空间分辨率较高。 适合检测尺寸大概在到像素左右的目标。 2.2 P4/16 - medium检测头 这个检测头对应的经过了更多的下采样
YOLOv11小目标检测专项优化：数据增强与模型结构调整完全指南
本博客聚焦 YOLOv11 全流程落地，涵盖架构优化、数据集处理、训练技巧与多场景部署，兼及国产数据库、Java 开发与 AI 模型应用，内容兼顾理论与工程实践，为开发者提供系统干货，助力高效提升技术能力。
10-23 177
摘要：本文深入探讨了YOLOv11在小目标检测中的优化策略。YOLOv11通过改进的C3k2模块、优化SPPF结构和解耦检测头等创新，在精度与速度间取得平衡，但小目标检测仍面临特征不足、定位精度要求高等挑战。文章提出双管齐下的优化方案：数据增强方面采用多尺度训练、马赛克增强和复制-粘贴技术，显著提升小目标样本密度；模型架构方面优化特征金字塔和损失函数设计。实验表明，这些策略使小目标检测mAP提升3-10%，特别是对极小目标（<16×16像素）效果显著。
yolov5添加P2小目标检测头与添加P6超大目标检测头
FJN110的博客
08-03 378
文章摘要：本文详细解析了YOLO目标检测算法中的上下采样原理与应用。上采样通过插值算法放大特征图（如最近邻插值），用于恢复空间信息；下采样通过步长卷积缩小特征图，提取高级语义特征。YOLO结构中上下采样对称使用，常配合C3模块进行特征整合，其中大分辨率特征图适合检测小目标，小分辨率适合检测大目标。文章还提供了添加4倍小目标检测头的实现思路，通过上采样、特征融合和C3模块构建检测头，并给出YOLOv5模型结构修改的代码示例。最后通过结构图直观展示了各层级的特征传递关系。
yolov8添加P2小目标检测头与添加P6超大目标检测头
FJN110的博客
08-03 440
本文介绍了YOLO目标检测中的上下采样原理及其应用。上采样通过插值算法放大特征图，YOLO主要使用最近邻插值；下采样通过带步长的卷积来缩小特征图尺寸。文章详细说明了两种操作在YOLO结构中的实现方式：上采样用于特征融合（如PANet/FPN），下采样用于提取深层语义特征。特别指出YOLO结构中上下采样后都会接C2f模块进行特征整合，并强调选择最后特征提取层作为检测头的原则。最后提出添加4倍小检测头的思路：对上采样后的特征图进行通道融合，再用C2f模块整合特征。文章还对比了两种不同的改进方案，并附上YOLOv
YOLOv11涨点改进 | 独家创新Neck改进篇 | 给yolov11分别增加P2小目标检测层和P6大目标检测层，助力YOLOv11有效涨点
Ai缝合怪、助力小伙伴高效发论文
09-05 240
本文介绍了YOLOv11模型针对小目标和大目标检测的改进方案。通过增加P2检测层（下采样4倍）提升小目标检测能力，适用于交通标志、无人机等细小目标；引入P6检测层（下采样64倍）增强大目标识别效果，适合建筑群、卡车等大型目标。改进后的模型在安防、遥感等场景中表现更优。文章还提供了yolov11n_p2.yaml和yolov11n_p6.yaml两个配置文件的创建方法，分别用于小目标和大目标检测任务，并确保其正常运行。这些改进显著提升了模型对不同尺寸目标的检测精度和召回率。
YOLOv13涨点改进 | 独家创新Neck改进篇 | 给yolov13分别增加P2小目标检测层和P6大目标检测层
Ai缝合怪、助力小伙伴高效发论文
09-05 140
本文探讨了YOLO系列模型针对小目标和大目标检测的改进方案。通过增加P2检测层（下采样4倍）提升小目标检测能力，适用于安防、遥感等场景；引入P6检测层（下采样64倍）增强大目标识别效果，适合卫星图像等应用。文中提供了两种模型配置文件（yolov13-p2.yaml和yolov13-p6.yaml），分别优化了对细小密集目标和宽大跨图目标的检测能力。这些改进显著提高了模型在特定场景下的精度和召回率。
【YOLO改进】二、YOLOV11-检测头篇
qq_55068938的博客
01-24 1万+
目标检测领域里，小目标一直是一个难点问题，虽然我们可以用YOLO+SAHI的方式进行滑动窗口推理以提升准确率，但是他的耗时会线性增强，毕竟一张大图会被切成很多小图去推理，所以在很多场景下无法得到应用。这里，我们从探测头入手，在原有的基础上在增加一个探测头以用于检测小目标。
YOLOV5的多主干网络backbone实现（Mobilenetv3Small、EagleEye、EfficientNetLite-0、PP-LCNet-1x、SwinTrans-YOLOv5等）
踟蹰横渡口,彳亍上滩舟。
03-05 1万+
代码下载地址：下载地址 支持的backbone为Ghostnet、Shufflenetv2、Mobilenetv3Small、EagleEye、EfficientNetLite-0、PP-LCNet-1x、SwinTrans-YOLOv5 Requirements pip install -r requirements.txt Multi-Backbone Substitution for YOLOs 1、Base Model Train on Visdrone DataSet (Inp
YOLOv11改进，YOLOv11添加ASFF检测头，并添加小目标检测层（四头检测），适合目标检测、分割等任务，全网首发
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
01-24 3981
YOLOv11改进，YOLOv11添加ASFF检测头，并添加小目标检测层（四头检测），适合目标检测、分割等任务，全网首发
YOLOv11改进，YOLOv11检测头融合RepConv卷积，并添加小目标检测层（四头检测），适合目标检测、分割等任务
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
01-18 1267
RepConv 通过将多个卷积操作合并成一个卷积操作来优化计算的。首先在训练过程中使用多种操作（如多个卷积层、跳跃连接等）来提高模型的表达能力和训练效果，而在推理时，通过重参数化将这些操作转化为单一的卷积层，从而减少计算量和提高速度。训练阶段：在训练时，使用常规的多分支结构，包含多个卷积层、BN 层以及跳跃连接。这种结构可以使模型在训练过程中具有更高的表达能力，从而提高训练性能。这时，每个卷积层可以通过与不同的卷积核和跳跃连接组合来建模复杂的特征。
yolov8-p2 yolov8-p6
09-19
[2]详细描述了YOLOv8添加P2/P6头的结构特点，特别是对称性设计和c2f模块的作用； [3]则重点解释增加这两个检测层的实际价值，特别是对小目标和大目标检测的改进效果。 回答时需要突出四个核心要点：一是结构位置...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值