作者：Ultralytics公司
YOLO系列算法解读：
YOLOv1通俗易懂版解读、SSD算法解读、YOLOv2算法解读、YOLOv3算法解读、YOLOv4算法解读、YOLOv5算法解读、YOLOR算法解读、YOLOX算法解读、YOLOv6算法解读、YOLOv7算法解读、YOLOv8算法解读、YOLOv9算法解读、YOLOv10算法解读、YOLO11算法解读
PP-YOLO系列算法解读：
PP-YOLO算法解读、PP-YOLOv2算法解读、PP-PicoDet算法解读、PP-YOLOE算法解读、PP-YOLOE-R算法解读
文章目录
- 1、算法概述
- 2、YOLO11细节
-
- [2.1 YOLO11的C3k2结构](#2.1 YOLO11的C3k2结构)
- [2.2 新增的C2PSA结构](#2.2 新增的C2PSA结构)
1、算法概述
最近Ultralytics项目又更新，退出了YOLOv11，基于上一个版本YOLOv8变化不是很大。还是和YOLOv8一样，可参考工程readme里面参考文档(https://docs.ultralytics.com/models/yolo11/)，该文档非常丰富，包含如何快速运行、训练、验证、预测及导出其他格式模型，还包含除检测任务的其他任务的扩展如：分割、分类和姿态估计，同时也包含YOLO系列其他模型的汇总介绍。相比YOLO之前其他版本，YOLO11推理速度更快，精度更高。如下图：
按照官方文档的介绍，YOLO11主要改进有如下几点：
- 增强特征提取能力，YOLO11采用改进的backbone和neck结构，增强了特征提取能力，以实现更高精确和更复杂的目标检测任务。具体有，backbone部分，将YOLOv8的C2f模块替换成了YOLO11的C3k2模块，在YOLOv8的SPPF模块后新增了C2PSA模块，这是一个由两个卷积层和一个多头自注意力模块组成的，用于增强特征提取能力。在检测头的分类分支中替换了两个常规卷积层为depthwise卷积，另外就是整个n/s/m/l/x系列模型的depth、width、max_channels的比例参数相对于YOLOv8进行了调整。
- 更高效且速度更快，因为整个结构的调整和训练流程的优化，使得模型推理速度更快。
- 更高的精度，但是参数量更少
- 和YOLOv8一样，YOLO11依然可以无缝衔接到实例分割、图像分类以及姿态估计任务，并且支持导出多种格式的模型，并且可以在CPU/GPU上运行。
2、YOLO11细节
YOLO11n网络结构如下所示，自己用PPT画的，有错误的地方，还请大家提示一下。
对比YOLO11和YOLOv8的yaml格式网络结构配置
可以看到网络规模n/s/m/l/x的深度、宽度和输出通道数配置比例有改变，层数增多了，但是参数量和flops却减少了。
2.1 YOLO11的C3k2结构
YOLO11中的C3k2结构如下图：
由子模块ConvModule和多个Bottleneck所组成，而Bottleneck又因是否用C3k模块而变化，当不用C3k模块时，Bottleneck和YOLOv8一样，而用C3k模块时，就是YOLO11改进的地方。
2.2 新增的C2PSA结构
另一个大的改进是在SPPF后面新增了C2PSA模块，其结构如下：
其中C2PSA模块的核心是PSABlock，这是一个带自注意力机制的模块，也就是transformer结构。新增这个模块可以增强backbone提取特征的能力。