yolov11

YOLO11改进-模块-引入混合结构模块Mix Structure Block 提高多尺度、小目标在图像去雾领域，传统的基于卷积神经网络（CNN）和 Transformer 的方法存在局限性。CNN 方法大多存在感受野不足的问题，限制了单个像素在神经网络中的参考范围，部分考虑大感受野的 CNN 方法又忽略了图像的多尺度特性；Transformer 方法虽有全局建模能力和大感受野，但参数数量庞大，训练成本高。同时，以往去雾网络中的注意力机制设计未充分考虑雾气分布的不均匀性，现有方法往往单独设计像素注意力模块和通道注意力模块，不能很好地编码大气光 A 和介质传输图 t (x)。为解决这些问题，提出 Mix

用自己的数据训练yolov11目标检测官网：https://github.com/ultralytics/ultralytics?tab=readme-ov-file 提示：以停车场空位检测公开数据集示例，可直接运行本人打包代码：百度云分享：ultralytics-8.3.2.zip 链接: https://pan.baidu.com/s/18f-9tsgajL46czn5PUcUsA?pwd=hjuk 提取码: hjuk

YOLO11改进-模块-引入星型运算Star Blocks当前网络设计中，“星型运算”（逐元素乘法）的应用原理未被充分探究，潜力有待挖掘。为解决此问题，我们引入 Star Blocks，其内部由 DW - Conv、BN、ReLU 等模块经星型运算连接，各模块有特定参数。同时揭示星型运算可将输入映射到高维非线性特征空间且无需拓宽网络。最终 StarNet 在紧凑结构和高效预算下实现了高性能与低延迟，有效提升了网络性能。本文考虑到YOLO目标检测的C3k2模块在特征融合的时候，高维非线性特征缺失，本文将Star Blocks与C3K2相结合，提出C3k2_Star

YOLO11改进-注意力-引入多尺度卷积注意力模块MSCAM如何在增强特征图的同时降低计算成本，以提升模型性能。基于此，MSCAM 模块采用了多尺度卷积注意力机制，通过 CAB、SAB 和 MSCB 三个子模块协同工作。CAB 利用自适应池化和卷积操作生成通道注意力权重，强调重要通道特征；SAB 借助池化和大核卷积获取空间注意力权重，明确特征图中的关键区域；MSCB 基于倒置残差块设计，进行多尺度深度卷积和通道混洗操作，有效增强特征并捕获多尺度上下文信息。这些方法的综合运用使得 MSCAM 在提升特征表示能力的同时，显著降低了计算成本，从而提升了模型整体性能。在y

YOLO11改进-模块-引入多尺度差异融合模块MDFM遥感变化检测（RSCD）专注于识别在不同时间获取的两幅遥感图像之间发生变化的区域。近年来，卷积神经网络（CNN）在具有挑战性的 RSCD 任务中展现出了良好的效果。然而，这些方法未能有效地融合双时相特征，也未提取出对后续 RSCD 任务有益的有用信息。此外，它们在特征聚合中没有考虑多层次特征交互，并且忽略了差异特征与双时相特征之间的关系，从而影响了 RSCD 的结果。为解决上述问题，本文通过孪生卷积网络提取不同层次的双时相特征，然后创建多尺度差异融合模块（MDFM）来融合双时相特征，并以多尺度方式提取包含

YOLOv11模型改进-注意力-引入简单无参数注意力模块SimAM 提升小目标和遮挡检测本篇文章将介绍一个新的改进机制——卷积和注意力融合模块SimAM ，并阐述如何将其应用于YOLOv11中，显著提升模型性能。首先，SimAM 是一种用于卷积神经网络的简单且无参数的注意力模块，它基于神经科学理论定义能量函数来计算 3-D 注意力权重，能有效提升网络的表征能力，且具有轻量级、高效等优势。随后，我们将详细讨论他的模型结构，以及如何将SimAM 模块与YOLOv11相结合，以提升目标检测的性能。

YOLO11改进 | 注意力机制 | 添加适用于遥感图像的LSKblock注意力秋招面试专栏推荐：深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡

给算法爸爸上香

YOLOv11尝鲜测试五分钟极简配置ultralytics团队在最近又推出了YOLOv11，不知道在有生之年能不能看到YOLOv100呢哈哈。根据官方文档，在 Python>=3.8并且PyTorch>=1.8的环境下即可安装YOLOv11，因此之前YOLOv8的环境是可以直接用的。安装YOLOv11：