博客摘录「 yolo 11从原理、创新点、训练到部署(yolov11代码+教程)」2025年4月28日

2.1 新的 Backbone 设计YOLOv11 引入了一个改进的 Backbone 网络架构，采用了 CSPNet（Cross Stage Partial Network）的升级版。CSPNet 的引入使得 YOLOv11 在计算量相对较低的情况下能够更有效地提取深度特征，从而提高模型的表达能力。具体来说，CSPNet 通过将特征图进行部分跨层连接，减少了冗余梯度信息，提高了模型的学习效率和泛化能力。2.2 SPPF（Spatial Pyramid Pooling - Fast）YOLOv11 引入了 SPPF 模块，改进了 YOLOv4 中的 SPP（Spatial Pyramid Pooling）。SPPF 通过快速空间金字塔池化操作，进一步提高了特征提取的效率。这一模块能够将输入特征进行多尺度处理，从而增强模型对目标大小变化的鲁棒性。SPPF 模块结构紧凑、计算高效，并且在不明显增加计算成本的前提下，提高了检测效果。2.3 PA-Net 的改进YOLOv11 采用了改进版的 PANet 结构，用于增强特征融合能力。PANet 通过横向连接的方式，在不同层次的特征图之间进行信息流通，从而让高层特征更好地利用低层的细节信息。2.4 自适应锚框机制YOLOv11 引入了自适应锚框机制（Auto-anchor），自动优化不同数据集上的锚框配置。这一机制避免了手工调整锚框的繁琐过程，并确保锚框大小适配目标物体的分布，提高了检测精度。2.5 EIoU 损失函数为了更好地处理目标检测中的边界框回归问题，YOLOv11 引入了新的 EIoU（Extended IoU）损失函数。相比传统的 IoU（Intersection over Union）损失，EIoU 不仅考虑了预测框与真实框的重叠面积，还引入了长宽比和中心点偏移的惩罚项，从而加快了收敛速度并提高了预测精度。