YOLOv11 改进 - 特征融合 | 引入聚集-分发机制：Gather-and-Distribute 优化特征金字塔信息流与多尺度特征融合效率

前言

本文介绍了先进的收集与分发机制（GD）及其在YOLOv11中的结合应用。GD机制通过卷积和自注意力操作实现，基于此设计的Gold - YOLO模型增强了多尺度特征融合能力，实现了延迟与精度的平衡。此外，首次在YOLO系列中引入MAE风格的预训练。我们将Gold - YOLO相关模块集成进YOLOv11，替换部分模块。实验表明，改进后的YOLOv11在COCO val数据集上取得了更好的性能 。

文章目录： YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLOv11改进专栏

介绍

摘要

近年来，YOLO系列模型在实时目标检测领域成为了领先的方法。许多研究通过修改架构、数据增强和设计新的损失函数将基线性能推向了更高的水平。然而，我们发现尽管特征金字塔网络（FPN）和路径聚合网络（PANet）在一定程度上缓解了信息融合问题，但以往的模型仍然存在该问题。为此，本研究提出了一种先进的收集与分发机制（Gather-and-Distribute Mechanism，简称GD），该机制通过卷积和自注意力操作实现。我们设计的新模型被命名为Gold-YOLO，其增强了多尺度特征融合能力，并在各个模型规模中实现了理想的延迟与精度平衡。

此外，我们首次在YOLO系列中引入了MAE风格的预训练，使YOLO系列模型能够从无监督预训练中获益。Gold-YOLO-N在COCO val数据集上取得了39.9%的AP，并在T4 GPU上实现了1030 FPS的推理速度，相较于具有类似FPS的之前SOTA模型YOLOv6-3.0-N，性能提升了+2.4%。
PyTorch代码可在 https://github.com/huawei-noah/EfficientComput