在计算机视觉领域，4K全景图像的实时目标检测一直是个棘手难题。传统YOLO模型在640×640标准分辨率下表现出色，但面对3840×3840像素的全景图像时，往往力不从心------要么牺牲速度，要么丢失关键细节。
今天，我们正式推出YOLO11-4K------专为4K全景图像设计的革命性检测框架，在保持高精度的同时，将推理速度提升近75%（28.3ms/帧）！
论文链接： arxiv.org/pdf/2512.16...
数据集链接： github.com/huma-96/CVI...
三大核心创新
- 首创YOLO11-4K高效架构
我们重新设计了YOLO11的底层架构，实现了两大关键技术突破：
P2细粒度检测层：在传统P3、P4、P5检测层基础上，新增P2高分辨率检测分支。这一创新让网络能够捕捉到更早期的空间细节，显著提升小目标检测能力。相比传统架构，小目标漏检率降低42%。
轻量级GhostConv主干网络：采用幻影卷积技术，通过廉价的线性运算代替昂贵的卷积操作，在保持特征表达能力的同时，将计算量减少35%。这是实现实时处理4K图像的关键！
- 构建首个4K全景检测基准数据集
为填补该领域空白，我们手工标注了CVIP360数据集，提供6,876帧高质量边界框标注。这个数据集的特点：
分辨率全4K：3840×3840像素原生全景图像
场景多样：涵盖室内外多种复杂环境
小目标密集：特别适合评估小目标检测性能
公开可用：已在GitHub开源，助力社区研究
- 性能表现全面领先
在CVIP360数据集上的测试结果显示：
精度指标：
- mAP@50：0.95（相比YOLO11提升4.6%）
- mAP@0.50:0.95：达到行业领先水平
- 小目标检测精度提升尤为显著
速度表现：
- 单帧推理时间：28.3ms（4K分辨率）
- 相比YOLO11的112.3ms，速度提升75%
- 在现代GPU上实现35+ FPS的实时处理能力
YOLO11-4K的一个关键优势是其推理效率。在处理3840×3840高分辨率全景图像时，其每张图像的推理时间为21.4毫秒，几乎是YOLO11的五倍快。这种速度提升很大程度上归功于混合骨干网络设计，该设计在浅层阶段结合了GhostConv层，在深层阶段使用了标准卷积，并进行了卷积核-步长参数调优，从而高效地平衡了计算成本与表征能力。
图3展示了YOLO11-4K在室内和室外4K全景场景上的定性检测结果。该模型能有效地在整个360°视野中检测小、中型及部分被遮挡的物体。在整个测试集中，总共检测到1,604个物体，平均物体尺寸为28.9 × 133.2像素。检测到的最小物体尺寸为2.7 × 25.1像素，最大物体尺寸为126.5 × 319.8像素。
进一步分析了检测物体在整个测试集中的分布情况。图4展示了YOLO11-4K的边界框统计信息。图4（a）显示了一个总结检测物体整体尺寸变异性的箱线图，突出了非常小物体的普遍存在；而图4（b）展示了边界框宽度与高度的散点图，证明YOLO11-4K能成功检测极其微小的物体（小至2.7 × 25.14像素）。在整个测试集中，总共检测到1,604个物体，平均尺寸为28.9 × 133.2像素，这证实了模型在高分辨率4K全景图像中进行小目标检测的强大能力，并补充了关于遮挡和极微小物体检测的定性示例。
YOLO11-4K为实时4K全方位目标检测树立了新的技术水平，超越了先前的YOLO变体和其他轻量级架构。总体而言，它为实时360°检测提供了一个实用、高吞吐量的解决方案，能有效捕获小尺度目标而不影响推理速度。
结论
在这项工作中，我们提出了YOLO11-4K，一个专为高分辨率4K全景图像设计的实时检测框架。通过集成轻量级GhostConv骨干网络和专用的P2检测层，该模型提高了小目标敏感性，同时显著降低了计算成本。在CVIP360数据集上的实验表明，YOLO11-4K实现了显著的速度提升，将推理时间减少了近75%，同时保持了强大的检测性能，为360°环境展示了精度与效率之间的有效平衡------由于极端畸变和高分辨率处理的需求，这些环境仍然特别具有挑战性。结果进一步表明模型在不同全景场景中具有良好的泛化能力。虽然本研究聚焦于4K输入，但此处介绍的架构原理广泛适用于其他高分辨率领域，包括自主导航、大规模监控和沉浸式AR/VR系统。未来的工作将探索自适应球面表示以及与多目标跟踪流水线的集成，以实现完整的实时360°感知。