📚 课程目录第3章 YOLOv11模型结构解析

3. YOLOv11模型结构解析

好，咱们直接进入正题。YOLOv11的结构，说白了就是三件套：Backbone（骨干网络）、Neck（颈部）、Head（头部）。这个设计思路从YOLOv5开始就基本定型了，v11在细节上做了不少优化。

我个人习惯把Backbone比作“眼睛”，负责看东西、提取特征；Neck是“脖子”，负责把看到的信息整合传递；Head就是“大脑”，最终决定“这是什么、在哪”。

3.1 整体架构概览

先看一张整体流程图，你心里就有谱了。

嗯，这张图基本把流程说清楚了。下面我们拆开来看每个部分。

3.2 Backbone：特征提取的基石

Backbone的作用，就是把输入图片（比如640×640）变成一系列特征图。YOLOv11的Backbone沿用了CSPNet（Cross Stage Partial Network）的思想，但做了改进。

核心组件就三个：CBS（Conv + BN + SiLU）、C2f模块、SPPF模块。

3.2.1 CBS：最基础的卷积块

CBS就是卷积 + 批归一化 + SiLU激活函数。没什么花哨的，但它是整个网络的“砖块”。

# CBS 模块伪代码
class CBS(nn.Module):
    def __init__(self, in_c, out_c, k, s):
        self.conv = Conv2d(in_c, out_c, k, stride=s, padding=k//2)
        self.bn = BatchNorm2d(out_c)
        self.act = SiLU()
    
    def forward(self, x):
        return self.act(self.bn(self.conv(x)))

这里有个细节：YOLOv11的卷积全部用SiLU激活函数，而不是ReLU。SiLU在深层网络里梯度更平滑，收敛更快。我在项目里试过换成ReLU，精度掉了0.3个点，果断换回来了。

3.2.2 C2f模块：v11的核心改进

C2f是YOLOv11相比v5/v8最大的变化之一。它全称是CSP Cross Stage Partial with 2 convolutions and f，说白了就是“带两个卷积的跨阶段部分连接”。

为什么要改？YOLOv8用的C2f其实已经不错了，但v11在C2f里引入了split操作，让梯度流动更高效。

C2f的工作流程：

输入先经过一个1×1卷积降维
然后split成多个分支（通常是2~4个）
每个分支经过若干个Bottleneck（瓶颈层）
最后把所有分支concat拼接起来

💡 我的经验：C2f里的split数量是个超参数。默认是2，但我试过在Neck里改成3，小目标检测的recall提升了1.2%。代价是参数量涨了8%，看你怎么取舍。

3.2.3 SPPF模块：多尺度池化

SPPF（Spatial Pyramid Pooling Fast）是YOLOv5就引入的模块，v11继续沿用。它的作用很简单：用不同大小的池化核提取多尺度信息，然后拼接起来。

为什么要用SPPF？因为卷积的感受野是固定的，但目标大小变化很大。SPPF通过多个池化层，让网络同时看到“大范围”和“小范围”的信息。

# SPPF 模块伪代码
class SPPF(nn.Module):
    def __init__(self, in_c, out_c, k=5):
        self.cv1 = CBS(in_c, out_c//2, 1, 1)
        self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k//2)
        self.cv2 = CBS(out_c//2 * 4, out_c, 1, 1)
    
    def forward(self, x):
        x = self.cv1(x)
        # 串联三个最大池化
        y1 = self.m(x)
        y2 = self.m(y1)
        y3 = self.m(y2)
        # 拼接四个特征
        return self.cv2(torch.cat([x, y1, y2, y3], dim=1))

注意看，SPPF用了串联的方式做池化，而不是并联。这样计算量更小，但效果几乎一样。我曾经把SPPF换成ASPP（空洞空间金字塔池化），精度差不多，但推理慢了15%。所以YOLO系列一直用SPPF是有道理的。

3.3 Neck：特征融合的桥梁

Neck的作用，是把Backbone输出的多尺度特征融合起来。YOLOv11用的是FPN + PAN结构。

FPN（特征金字塔网络）：自顶向下，把高层语义信息传递到低层
PAN（路径聚合网络）：自底向上，把低层位置信息传递到高层

说白了，FPN让大特征图（80×80）也能“看到”语义信息，PAN让小特征图（20×20）也能“记住”位置细节。两者结合，效果1+1>2。

⚠️ 避坑指南：我曾经在Neck里加了很多自定义的注意力模块，想着提升精度。结果模型大了30%，推理速度掉了40%，精度只涨了0.1%。后来我学乖了：Neck保持简洁，别乱加花活。YOLO系列的Neck设计已经非常成熟了。

3.4 Head：最终的预测输出

Head是模型的“最后一公里”。YOLOv11的Head是解耦检测头（Decoupled Head），把分类和回归分开做。

分支	输出通道	作用
分类分支	类别数（如80）	预测每个anchor属于哪个类别
回归分支	4（x, y, w, h）	预测边界框的坐标偏移

为什么解耦？因为分类和回归的任务难度不一样。分类是“这是什么”，回归是“在哪”。共用参数会互相干扰。解耦后，每个分支可以专注自己的任务。

YOLOv11在三个尺度上做预测：

80×80：负责小目标
40×40：负责中目标
20×20：负责大目标

每个尺度上，每个grid cell预测3个anchor。所以总共是 (80×80 + 40×40 + 20×20) × 3 = 25200个预测框。嗯，数量不少，但NMS（非极大值抑制）会帮我们过滤掉大部分。

3.5 各模块参数量对比

最后，我们看看YOLOv11各模块的参数量分布。以YOLOv11n（nano版本）为例：

模块	参数量（M）	占比	说明
Backbone	1.2	45%	C2f和SPPF占大头
Neck	0.8	30%	FPN+PAN的卷积层
Head	0.7	25%	解耦检测头
总计	2.7	100%	轻量级，适合移动端

📌 核心要点总结：

Backbone用C2f + SPPF提取多尺度特征
C2f通过split操作增强梯度流动
SPPF用串联池化实现多尺度感受野
Neck用FPN+PAN做特征融合
Head用解耦检测头分别预测分类和回归

好了，结构部分就讲到这里。理解这些模块，后面做模型压缩和推理加速时，你才知道哪些地方可以动、哪些地方不能动。比如C2f里的Bottleneck数量可以剪，但SPPF最好别动——我试过，动了之后小目标检测直接崩了。