YOLO11改进-模块-引入增强层间特征相关性（EFC）模块

一勺汤

已于 2025-03-19 10:19:45 修改

阅读量1.7k

点赞数 30

分类专栏： YOLOV11魔改文章标签：深度学习 YOLO 魔改模块目标检测 yolov11 yolov11改进

于 2025-02-10 11:06:52 首次发布

本文链接：https://blog.csdn.net/qq_64693987/article/details/145545335

版权

YOLOV11魔改专栏收录该内容

66 篇文章

订阅专栏

无人机图像目标检测在多领域应用广泛，但小目标检测面临诸多挑战。一方面，无人机图像分辨率高、背景噪声大，小目标分辨率低，易受噪声影响，特征信息有限，在卷积神经网络特征提取时易出现特征消失问题。另一方面，传统特征金字塔网络（FPN）的融合方法，如简单拼接或相加操作，无法充分利用多尺度融合优势，不同层特征相关性弱，融合后易产生冗余特征，且深层大卷积核会导致语义偏差，不利于小目标检测。因此，需要一种新的方法来改进特征融合，提升小目标检测性能。

上面是原模型，下面是改进模型

1. 增强层间特征相关性（EFC）模块介绍

EFC 模块通过增强层间特征相关性来优化特征融合。其核心在于利用分组特征聚焦单元（GFF）和多级特征重建模块（MFR）。GFF 通过空间集中、特征相关和空间映射归一化操作，聚焦不同特征的上下文信息，增强各层特征相关性；MFR 则对不同层特征中的强弱信息进行分离、定向融合、特征变换和层级融合，减少冗余特征融合，保留小目标信息，降低深层网络中小目标信息的不可逆损失。

分组特征聚焦单元（GFF）：先对低分辨率特征上采样并与高分辨率特征相加得到粗略特征，再用 1×1 卷积和 sigmoid 激活生成空间聚合权重，得到含空间信息的特征。然后将该特征按通道分组，组内进行特征交互生成注意力掩码，以增强相邻特征相关性，最后将分组特征拼接并归一化，得到相关性强且空间信息丰富的特征。

多级特征重建模块（MFR）：先对不同阶段单级特征处理得到特征\(P_{c}\) ，通过平均池化和 sigmoid 函数生成特征权重阈值，再将单级特征经批归一化和 sigmoid 激活得到权重信息，与阈值比较分离出强弱特征。强特征融合生成丰富特征，弱特征融合生成弱特征，分别进行特征变换，最后将变换后的强弱特征合并，得到包含详细信息和跨通道信息交换的特征。

2. YOLOv11与增强层间特征相关性（EFC）模块的结合

本文使用增强层间特征相关性（EFC）模块替换原有的YOLOv11模型的特征拼接方法，增强YOLO目标检测的小目标能力。

3. EFC代码部分

YOLOv8_improve/YOLOv11.md at master · tgf123/YOLOv8_improve · GitHub

视频讲解：YOLOv11模型改进讲解，教您如何修改YOLOv11_哔哩哔哩_bilibili

YOLOv11模型改进讲解，教您如何根据自己的数据集选择最优的模块提升精度_哔哩哔哩_bilibili

YOLOv11全部代码,现有几十种改进机制。

4. 将EFC引入到YOLOv11中

第一: 将下面的核心代码复制到D:\model\yolov11\ultralytics\change_model路径下，如下图所示。

第二：在task.py中导入包

第三：在task.py中的模型配置部分下面代码

第四：将模型配置文件复制到YOLOV11.YAMY文件中

第五：运行成功

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld

if __name__=="__main__":

    # 使用自己的YOLOv8.yamy文件搭建模型并加载预训练权重训练模型
    model = YOLO(r"D:\model\yolov11\ultralytics\cfg\models\11\yolo11_EMA.yaml")\
        .load(r'D:\model\yolov11\yolo11n.pt')  # build from YAML and transfer weights

    results = model.train(data=r'D:\model\yolov11\ultralytics\cfg\datasets\VOC_my.yaml',
                          epochs=300,
                          imgsz=640,
                          batch=64,
                          # cache = False,
                          # single_cls = False,  # 是否是单类别检测
                          # workers = 0,
                          # resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',
                          amp = True
                          )