3. YOLOv11模型结构与原理：Backbone、Neck、Head详解

YOLOv11的结构，说白了就是三个大块拼在一起：Backbone（骨干网络）负责提特征，Neck（颈部）负责融合特征，Head（头部）负责输出预测。我刚开始接触YOLO系列时，总觉得这些名词很玄乎，后来拆开一看，其实就是一套流水线——图片进去，框和类别出来。

3.1 整体架构概览

先看一张我手绘的结构图，帮你快速建立全局印象：

YOLOv11 整体架构（推理流程） 输入图像 (640×640) Backbone（骨干网络） Conv + C2f + SPPF → 多尺度特征图 Neck（颈部） FPN + PAN 特征金字塔融合 Head（检测头） 解耦头 → 分类 + 回归分支 输出：边界框 + 类别 + 置信度

嗯，这张图你多看两眼。整个YOLOv11的推理过程，就是从输入到输出的一条直线，中间没有花里胡哨的分支。我个人习惯把Backbone比作「眼睛」，Neck比作「大脑的整合区」，Head比作「嘴巴」——看到什么、整合什么、说出什么。

3.2 Backbone：骨干网络

Backbone的作用，说白了就是下采样+特征提取。YOLOv11的Backbone沿用了CSPNet（Cross Stage Partial Network）的思想，但做了一些关键改进。

3.2.1 核心组件：Conv模块

YOLOv11里的Conv不是普通的卷积，而是Conv2d + BatchNorm + SiLU激活的三件套。我见过不少新手自己复现时漏了BN层，结果训练怎么都不收敛。

# YOLOv11 标准卷积模块（简化示意）
class Conv(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size, stride):
        super().__init__()
        self.conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride,
                              padding=kernel_size//2, bias=False)
        self.bn = nn.BatchNorm2d(out_channels)
        self.act = nn.SiLU(inplace=True)

    def forward(self, x):
        return self.act(self.bn(self.conv(x)))
个人经验：SiLU（也叫Swish）激活函数在深层网络中比ReLU更平滑，梯度流动更好。我在做剪枝时发现，SiLU对稀疏化更友好——剪掉一些通道后，剩余通道的激活值分布不会剧烈变化。

3.2.2 C2f模块：YOLOv11的精华

C2f是Cross Stage Partial with 2 convolutions and f的缩写。它其实是YOLOv8的C2f改进版，但v11在内部做了更高效的分支设计。

为什么叫「f」？因为它把特征图split成两半，一半直接走捷径，另一半经过多个Bottleneck处理，最后再concat起来。这样做的好处是：

  • 梯度流更丰富——捷径分支让梯度可以直接回传，缓解梯度消失
  • 参数量更少——相比直接用大卷积堆叠，C2f的split策略节省了近一半参数
  • 特征复用——每个Bottleneck的输出都会被concat，信息没有浪费
# C2f模块结构示意（伪代码）
class C2f(nn.Module):
    def __init__(self, in_channels, out_channels, n=1):
        super().__init__()
        self.conv1 = Conv(in_channels, out_channels, 1, 1)  # 压缩通道
        self.conv2 = Conv(out_channels * 2, out_channels, 1, 1)  # 恢复通道
        self.m = nn.ModuleList([Bottleneck(out_channels) for _ in range(n)])

    def forward(self, x):
        x = self.conv1(x)
        # 将x分成两半：一半直接走，一半经过Bottleneck
        split = x.chunk(2, dim=1)
        y = [split[0]] + [m(split[1]) for m in self.m]
        return self.conv2(torch.cat(y, dim=1))
避坑指南：我曾经在剪枝C2f模块时犯过一个错误——直接把Bottleneck里的卷积通道数减半，结果精度掉了5个点。后来发现，C2f内部的split机制对通道数比例很敏感。建议剪枝时保持split比例不变，只调整整体宽度。

3.2.3 SPPF模块：空间金字塔池化

SPPF是Spatial Pyramid Pooling - Fast的缩写。它用多个不同大小的池化核并行处理特征图，然后把结果concat起来。这样做的好处是：一个特征图能同时看到不同尺度的信息。

YOLOv11用的是SPPF而不是SPP，区别在于：

  • SPP：用3个不同kernel size（5, 9, 13）的MaxPool并行，然后concat
  • SPPF：用3个kernel size=5的MaxPool串行，每次池化后concat

你可能会问：「串行不是更慢吗？」其实不然。SPPF的串行设计让计算量从O(k²)降到了O(k)，而且感受野反而更大——3次5×5池化串行，等效于一个13×13的池化。我在项目中实测，SPPF比SPP快了约20%，精度完全持平。

# SPPF模块（YOLOv11版本）
class SPPF(nn.Module):
    def __init__(self, in_channels, out_channels, k=5):
        super().__init__()
        self.conv1 = Conv(in_channels, out_channels // 2, 1, 1)
        self.conv2 = Conv(out_channels * 2, out_channels, 1, 1)
        self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k//2)

    def forward(self, x):
        x = self.conv1(x)
        # 串行池化，每次concat
        y1 = self.m(x)
        y2 = self.m(y1)
        y3 = self.m(y2)
        return self.conv2(torch.cat([x, y1, y2, y3], dim=1))

3.3 Neck：特征金字塔融合

Neck的作用，说白了就是把Backbone输出的不同尺度特征图融合起来。YOLOv11的Neck沿用了FPN + PAN的结构。

组件 方向 作用
FPN（特征金字塔） 自顶向下 将高层语义信息传递到低层，增强小目标检测
PAN（路径聚合网络） 自底向上 将低层位置信息传递到高层，增强大目标定位

为什么需要双向融合？我举个例子：Backbone输出的P3（小尺度特征图）分辨率高但语义弱，P5（大尺度特征图）语义强但分辨率低。FPN把P5的语义往下传，PAN把P3的位置往上传——这样每个尺度的特征图都既有语义又有位置信息。

注意：Neck是剪枝时最容易出问题的地方。我曾经尝试对Neck的通道数统一剪掉30%，结果小目标检测的AP直接掉了8个点。后来我改成只剪PAN部分的通道，保留FPN的通道数，效果好了很多。原因可能是FPN负责语义传递，对通道数更敏感。

3.4 Head：解耦检测头

YOLOv11的Head采用了解耦头（Decoupled Head）设计，把分类和回归任务分开处理。这和YOLOv5的耦合头完全不同。

  • 分类分支：输出每个anchor的类别概率（如80类）
  • 回归分支：输出边界框的4个坐标偏移量（x, y, w, h）
  • 置信度分支：输出objectness分数（YOLOv11把置信度合并到回归分支中）

解耦的好处很明显：分类和回归任务对特征的需求不同——分类更关注「是什么」，回归更关注「在哪里」。共用特征会导致互相干扰。我在项目中对比过，解耦头比耦合头在COCO上高了约1.2个mAP。

3.5 模型参数量与计算量分析

这部分是剪枝量化的基础。你得先知道模型「胖」在哪里，才能决定「剪」哪里。

模型版本 参数量 (M) 计算量 (GFLOPs) 主要瓶颈
YOLOv11n 2.6 6.5 Backbone的C2f模块
YOLOv11s 9.4 21.5 Neck的PAN部分
YOLOv11m 25.1 58.7 Head的回归分支
YOLOv11l 53.7 128.4 整体通道数过大

从表中可以看出：

  • Backbone占了总参数量的约45%~55%，是剪枝的重点
  • Neck占了约25%~30%，尤其是PAN部分的卷积层
  • Head占了约15%~20%，虽然参数量少，但计算量不小（因为输出特征图分辨率高）
我的建议：如果你做剪枝，优先从Backbone的C2f模块下手。因为C2f内部的Bottleneck有大量冗余通道，剪掉20%几乎不掉点。Neck的FPN部分尽量少动，我踩过坑——剪FPN的通道会导致小目标检测能力断崖式下降。

另外，计算量（FLOPs）和参数量（Params）不是一回事。参数量决定模型大小和内存占用，计算量决定推理速度。举个例子：Head的参数量只占15%，但计算量可能占30%——因为它在高分辨率特征图上做卷积。量化时，Head的量化误差往往最大，需要特殊处理。

嗯，这一章的内容就到这里。你理解了Backbone、Neck、Head各自干什么，以及它们的参数分布，后面做剪枝和量化时就知道该从哪里下手了。

← 上一章 📖 返回目录 下一章 →