【无标题】

模型"炼丹"过程

步骤 1：数据集结构

（1）部署好YOLO11/13的运行环境，把数据集配置成以下结构

datasets

-----images

----labels

data.yaml

train.txt

val.txt

test.txt

data.yaml 需放在 datasets/ 根目录，内容示例：

train: .../train.txt # 相对路径（相对于data.yaml）

python 复制代码

val: ../val.txt
test: ../test.txt
nc: 3  # 类别数
names: ["WBC", "RBC", "Platelets"]

train.txt/val.txt/test.txt 中每行是 images/xxx.jpg 的绝对路径或相对于项目根目录的相对路径。

步骤 2：自定义模块的存放位置

YOLO 的基础模块统一放在 nn/modules/ 下

步骤 3：模块注册

在 nn/tasks.py 的 parse_model 函数中注册

（1）在 tasks.py 顶部导入你的模块：

from ultralytics.nn.modules.MyAttention import MyAttention # 对应步骤2的存放路径

（2）在 parse_model 函数的 m in (...) 列表中添加你的模块：

if m in (..., MyAttention): # 把MyAttention加入现有模块列表

步骤 4：yaml 配置文件

在 ultralytics/cfg/models/v11/ 下新建 yolov11-MyAttention.yaml，示例（在检测头中添加你的模块）：

python 复制代码

# YOLOv11 + MyAttention 配置
nc: 80
scales:
  n: [0.33, 0.25, 1024]
  # ...（保留原scale配置）

backbone:
  # ...（保留原backbone配置）

head:
  # ...（保留原head前序配置）
  - [-1, 3, C2f, [512]]  # P4层特征
  - [-1, 1, MyAttention, [512]]  # 插入你的模块（输入通道512）
  # ...（保留原head后续配置）
  - [[16, 19, 22], 1, Detect, [nc]]

关键注意事项

（1）模块输入 / 输出通道匹配

你的模块在 yaml 中插入的位置，需保证输入通道与前一层输出通道一致（如上述示例中前一层是 C2f 输出 512，你的模块输入也需是 512）。

（2）模块初始化参数：

你的模块 init 函数需支持接收通道数等参数（如 def init(self, c1, c2=None):），与 YOLO 模块的参数规范对齐。

（3）验证模块加载：

运行 model = YOLO("yolov11-MyAttention.yaml") 并打印 model.info()，确认你的模块出现在网络结构中，无报错。