Physical Address
304 North Cardinal St.
Dorchester Center, MA 02124
YOLO
一、增强网络捕捉关键细节能力，解决小目标检测问题。原生算法在多尺度、小目标检测中存在的不足。
注意力模块。
二、生成具有不同感受野的特征图，增强了图像中全局特征的捕获能力。
Backbone加卷积。
引入GhostNet 模块优化特征提取和融合。
采用ＲepNCSPELAN4 模块串联额外的C2F 模块，细化特征提取与融合。
三、有效捕捉不同尺度特征信息
优化c3k2
基于小波卷积( Wavelet convolution,WTConv) 构建的WC3k2 模块
多尺度特征聚合理念
四、更深入的跨尺度信息交互
引入小尺度特征图检测层，使用CGA 模块优化特征信息组合，更好地整合全局和局部信息。
五、检测头优化
原始YOLO 11 检测头采用解耦二分支结构，其中分类检测头由2 个深度可分离卷积构成，位置检测由2 个常规卷积构成，2 个分支均由独立卷积架构构成，难以充分共享和整合特征信息。
提出了SCSB 检测头，采用共享卷积和耦合头的结构，共享卷积能够在不同尺度特征层之间传递信息，提升了特征的多任务共享性，增强了模型对小目标特征的敏感性，有效减小计算冗余，同时耦合头的协同处理使得分类和回归任务在同一特征空间中互为补充，进一步加强了分类和回归协同性。
轻量化的检测头Detect_DG。
小波深度可分离卷积模块。
六、边界框优化
柔性非极大值抑制边界框交并操作。
七、优化损失函数
Inner-MPDIoU 损失函数
自适应阈值焦点损失函数加强对样本的关注度,提高识别精度
八、上下文能力
ＲepNCSP 模块是基于CSP 模块的结构改进而来的，它在网络中引入跨阶段部分连接来提高模型的上下文提取能力，有效结合多尺度和瓶颈特征，增强特征表示，使模型不受遮挡物的影响。
内容：
评价指标
消融实验
热力图
不同模型结果对比
参考：
(99+ 封私信 / 81 条消息) YOLO11 模型架构与训练参数详解 – 知乎
CBR模块、CBL模块、CBM和CBS模块（yolo）-CSDN博客
(99+ 封私信 / 81 条消息) 芒果Ultralytics最新YOLO11算法原理解析-包含最新结构图以及内附YOLO11各部分细致结构图 – 知乎
YOLO11 训练参数详解：从基础配置到进阶优化-CSDN博客
新手小白自制数据集运行YOLOv11模型_yolov11: an overview of the key architectural enha-CSDN博客
YOLOv5训练COCO2017数据集_download coco2017 dataset-CSDN博客
https://d.serctl.com/?uuid=dd0a247b-ce74-4f4d-9ff8-d0ba61a218a5
ultralytics 官宣: YOLO11 全新发布！（原理介绍+代码详见+结构框图）| 如何训练自己的数据集（NEU-DET为案列）_ultralytics yolo11-CSDN博客
【YOLOv8模型定制秘籍】：深入解析Depth、Width、Max_Channels三大缩放参数_yolov8 depth-CSDN博客
