YOLO11n网络结构全解析：从Backbone到Head的改进与工程实践

先说点实在的YOLO11出来之后很多朋友第一反应是“这不就是YOLOv8换了个名吗”但真正把它丢进工程里跑过、改过、压过模型之后你会发现它背后动的东西其实不少。这篇就以最轻量的YOLO11n为样本把网络结构从 backbone 到 head 完整撸一遍搞清楚每个模块为什么这么设计、参数是怎么流下去的、改哪里能出效果、踩坑会踩在哪。适合两类人看一是刚接触目标检测、想系统搞懂 YOLO 系结构的学生或工程师二是已经在用 YOLOv8 打算迁移到 YOLO11 做改进的玩家。1. YOLO11整体设计思路从YOLOv8到现在动了哪三刀1.1 三个核心变化带来的本质改进YOLO11 发布时最抓眼球的是命名跳过了 v9/v10 的顺位但名字只是表象真正值钱的是它把“效率”两个字顶到了前面。如果你拉一份 YOLOv8n 和 YOLO11n 的对比数据会发现参数量从 3.2M 降到了 2.6M计算量从 8.7 GFLOPs 降到 6.5 GFLOPs精度却在 COCO 上从约 37.3 涨到了约 39.4 mAP50-95。这种“参数更少、精度更高”的变化不是靠调超参调出来的而是结构层面动了三刀。第一刀是backbone 里的 C2f 换成了 C3K2。C3K2 不是全新发明而是把 YOLOv5 的 C3CSP Bottleneck和 YOLOv8 的 C2f 揉在一起再通过一个参数决定用普通 3x3 卷积还是可变形卷积DCN。这样一来梯度流还是像 C2f 那样有两条路可走但中间层的计算被压缩得更狠整体更轻。第二刀是SPPF 换成了 C2PSA。SPPF 本质是三个串联的最大池化能扩大感受野但没法建模像素之间的长距离依赖。C2PSA 里面塞的是多头自注意力MHSA让每个位置都能直接“看到”全局信息这对大目标、上下文的建模提升比池化明显得多。第三刀在检测头和标签分配。YOLO11 沿用 Anchor-Free 解耦头分类分支和回归分支分开但在正样本分配上强化了 TaskAlignedAssigner并且分类分支用 BCE、回归分支用 CIoUBbox LossDFL的组合。整个训练过程更贴合“对齐度量”的思路正样本不再只靠 IoU 硬筛而是考虑分类得分与 IoU 的综合对齐程度。表面看这三刀都不算大但叠在一起的效果是模型变轻、推理变快、精度还涨了。这也是为什么社区里“YOLO11改进”的热度居高不下——结构改动的“可动点”太明确了几乎每个模块都能单独拿来做文章。1.2 为什么拿n版本当分析样本选择 YOLO11n 作为切入不是因为它最强而是因为它最“透明”。n 是 Nano 的缩写对应深度因子 0.50、宽度因子 0.25。这意味着所有通道数都被压缩到基础配置的四分之一所有模块堆叠数也被砍到一半左右但网络结构的主干依然完整。你要在 s/m/l/x 版本里看结构看到的是同一个骨架只是每层更宽、更深。n 版本的计算量只有 6.5 GFLOPs单张 640x640 输入在消费级显卡上能轻松跑实时推理打断点、看中间特征、导 ONNX 做结构验证都非常方便。更重要的是n 版本是很多边缘设备和移动端部署的首选。理解 n 版本等于同时理解了 YOLO11 的“最小可行系统”哪些层是必须的、哪些参数是被缩放压掉的、哪些模块在轻量化下依然保留。后续你看 m 或 l 版本时只需要把宽度因子、深度因子往上乘即可不需要重新理解结构。1.3 一张图看懂三件套Backbone、Neck、Head整个 YOLO11 的推理路径可以分成三段这也是所有 YOLO 系结构通用的分法。Backbone主干网络负责从原始图像中提取特征。输入 640x640 的 RGB 图经过 stem 卷积和四个阶段的降采样逐步产生 P2、P3、P4、P5 四层特征图。在 n 版本里通道数实际为 16、32、64、128、256特征图尺寸分别对应 160x160、80x80、40x40、20x20。这里的 P3/P4/P5 是后续检测头真正消费的三个尺度。Neck颈部PAN-FPN负责多尺度特征融合。它先把 P5 上采样与 P4 融合再上采样与 P3 融合形成一条“自顶向下”的路径紧接着又通过下采样把 P3 的信息传回 P4、P5形成“自底向上”的路径。这种双向融合让低层细节和高层语义能够互相补充。Head检测头负责在融合后的特征上输出预测。在 P3、P4、P5 三个尺度上每个网格位置预测一个目标的类别分布和边界框。由于是 Anchor-Free 设计每个位置直接回归“到四条边的距离表示”配合 DFL 输出离散分布精度和召回都比传统 Anchor 方案更稳。2. Backbone逐层拆解C3K2、C2PSA到底在干什么2.1 C3K2模块内部到底长什么样C3K2 是整个 YOLO11 出现频率最高的模块理解它就等于理解 backbone 的一半。名字拆开看C3 表示它保留了 CSP 风格的三段式结构一部分走 shortcut一部分走主干变换K 表示 Bottleneck 的卷积核可配置2 表示默认堆叠 2 个 Bottleneck。但千万别把它想得太复杂我用一段伪代码给你还原它的数据流def c3k2(x): # x: 输入特征通道数为 c_in # 第一步1x1 卷积把通道压缩到中间通道 c_mid x conv1x1(x) # c_in - c_mid # 第二步分成两个分支 branch_shortcut, branch_main split(x) # 主分支经过 n 个 Bottleneck for _ in range(n): branch_main bottleneck(branch_main) # 第三步两路拼接回 c_mid * 2 x concat([branch_shortcut, branch_main]) # 第四步1x1 卷积输出目标通道 c_out x conv1x1(x) # c_mid*2 - c_out return xn 版本里因为深度因子是 0.50C3K2 内部默认的 2 个 Bottleneck 会被压到 1 个但结构不变。中间通道 c_mid c_out * 0.25也就是 e0.25 这个超参控制的。举个例子如果 C3K2 输出 128 通道那中间压缩到 32 通道两个分支最终拼接回 64再经过 1x1 升回 128。这么设计的好处是主干变换只发生在窄通道上计算量大幅下降同时 shortcut 分支保留了原始信息的直接传递梯度回传不会被中间层阻断。C3K2 里还有一个很关键的开关Bottleneck 用普通卷积还是可变形卷积。在 YOLO11 的配置文件中C3K2 的参数字段是[c_out, use_dcn, e]。n 版本的 backbone 前两个 C3K2 都是 False即普通 3x3 卷积到 P5 那一层下采样 32 倍才换成 True。可变形卷积可以让卷积核的采样位置根据目标形状自适应偏移对形变较大的目标更友好但代价是会带来额外的偏移计算所以只放在最深层避免全网络都变慢。从 YOLOv8 的 C2f 到 YOLO11 的 C3K2最核心的差异在于C2f 里的 Bottleneck 数量更多且没有“核大小/是否可变形”的开关C3K2 则把这两个超参暴露给用户让你在“轻量”和“形变感知”之间做选择。实际测试中把 backbone 第三层P3 之前的 C3K2 从 False 改成 True 会明显增加几分 GFLOPs精度提升幅度因数据集而异如果你在自采数据集上做改进实验这是个值得尝试的改动点。2.2 C2PSA模块为什么能替代SPPFYOLOv8 的 backbone 最后一层是 SPPF作用是把不同池化尺度的特征拼在一起扩大感受野。YOLO11 把它换成了 C2PSA全称是 C2 with Position-Sensitive Attention。结构上同样是“一个卷积分两路、一路走 attention、一路走 shortcut、最后 concat 再卷积”的 CSP 风格但 attention 分支内部不再是池化而是一个个 PSABlock。PSABlock 内部由 MHSA多头自注意力和一个轻量 FFN前馈网络组成。MHSA 的输入先经过 1x1 卷积生成 Q、K、V然后在空间维度上做自注意力。这里说的“空间维度”指的就是特征图的每个位置。等于是让 P5 这层 20x20 的每个网格都去“关注”其余 399 个网格的信息长距离依赖一下就有了。相比之下SPPF 的感受野虽然也能到很大但它本质还是局部池化的堆叠缺少这种全图交互。C2PSA 在实际结构里的位置是 P5 之后也就是 backbone 的最后一层。输入输出都是 1024 基础通道n 版本实际为 256n 参数为 1表示只堆叠一个 PSABlock。这个模块的注意力输出部分会用 sigmoid 生成一个门控权重再和 shortcut 分支相乘相当于做了一次特征重标定重要的位置增强、不重要的位置压下去。这种“门控 残差”的设计让自注意力分支即使训练不充分也能通过 shortcut 兜底不会出现梯度消失或训练崩掉的问题。为什么这样改有用目标检测里有两个老大难一是大目标覆盖面积大局部卷积很难同时看到目标的头和尾二是背景干扰强需要全局上下文来确认“这是目标还是场景的一部分”。C2PSA 直接对症这两个问题。用带大目标的航拍数据实测C2PSA 对长条状目标如道路、桥梁的召回提升特别明显代价只是增加了少量计算量。2.3 backbone完整参数流与特征图尺寸变化把 YOLO11n 的 backbone 串起来看输入 640x640x3经过各层后的特征图变化如下表n 版本实际通道数已乘 0.25 宽度因子层模块输出尺寸输出通道在后续结构中的角色StemConv(k3, s2)320x32016基础特征进入 P2 前P2Conv(k3, s2) C3K2160x16032高层细节供检测头前融合P3Conv(k3, s2) C3K280x8064小目标检测主用层P4Conv(k3, s2) C3K240x40128中目标检测主用层P5Conv(k3, s2) C3K2(DCN) C2PSA20x20256大目标检测主用层注意 stem 那个普通卷积带 stride2等价于一次快速下采样。P3、P4、P5 对应的 stride 分别是 8、16、32也就是原图上 8x8、16x16、32x32 像素的区域会被映射到特征图上的一个点。小目标检测难本质上就是因为小目标在原图中可能只占 20x20 像素到了 P5 已经缩成一个点特征几乎丢失。所以后续所有“小目标增强”的改进思路都是要么增加 P2 检测层要么在浅层特征上多做融合。3. Neck多尺度融合PAN-FPN如何把语义和细节揉在一起3.1 自顶向下与自底向上的双向融合路径Neck 接在 backbone 之后输入是 P3、P4、P5 三层特征。很多新手以为 Neck 只是简单把特征图放大缩小再拼接实际没那么简单它是有两条方向相反的信息流动路径。先看“自顶向下”。P5 特征经过一个 2 倍最近邻上采样分辨率从 20x20 变成 40x40然后与 backbone 的 P440x40做通道维度的 concat再过一个 C3K2 融合输出 128 通道的特征。这一步的意义是把高层语义信息“下放”到中尺度。高层特征经过多层卷积后每个点代表的是原图很大一块区域的抽象语义比如“这是一个轮子”当它和保留更多空间细节的 P4 融合后中尺度特征既能知道“大概是什么”又能知道“具体在哪”。然后继续上采样40x40 变成 80x80与 backbone 的 P3 concat再过 C3K2输出 64 通道。到这里P3 特征同时拥有了 P4 的语义上下文和 P5 的整体感知小目标检测的地基就打好了。再看“自底向上”。P3 融合后的特征经过一个 stride2 的 3x3 卷积从 80x80 变回 40x40再与之前“自顶向下”路径生成的 P4 融合特征做 concat过 C3K2随后再下采样一次与 P5 路径的融合特征 concat过 C3K2。这条路径的作用是反向把细节信息传递回高层。比如一张图里同时存在大车和小车P3 特征里有小车的纹理细节经过自底向上传递后P5 在检测大车时也能参考到小车的尺度信息减少漏检。这个双向融合的最终产出是三份特征通道数分别为 64、128、256尺寸对应 80x80、40x40、20x20。它们被直接送进检测头不再有额外的投影层。你在很多结构图里看到的“三个灰色方块接 Detect”其实就是这三份特征。3.2 concat数量与C3K2堆叠的细节Neck 里的每个 C3K2 都紧跟一个 concat 操作但每个 concat 的来源不同。第一个 concat 是“上采样后的 P5 backbone P4”第二个是“上采样后的融合 P4 backbone P3”第三个是“下采样后的融合 P3 融合 P4”第四个是“下采样后的融合 P4 融合 P5”。因为每次 concat 后通道数翻倍C3K2 的输出会把它压回原来的通道数。这也是为什么 C3K2 在 Neck 里的中间压缩通道和 backbone 完全一致的设计逻辑——它承担的主要任务就是“通道融合后的特征压缩”。n 版本的 Neck 里C3K2 的堆叠数都是 1 个配置文件里 repeat1经过深度因子缩放后也是 1。这意味着 Neck 的主要计算量集中在 concat 和 1x1/3x3 卷积上。如果你想减少参数量最先能动的就是 Neck 里这几个 C3K2 的核大小或者中间通道比例 e但如果你打算提升精度把其中一个 C3K2 的 use_dcn 参数改成 True效果通常比改 backbone 更明显因为 Neck 特征是多尺度融合后的“精华”让它的采样更加自适应整个检测头的输入质量都会提升。需要提醒的是Neck 中最怕出现“concat 之前两路特征没有对齐”的情况。虽然所有上采样/下采样都确保分辨率一致但如果你想自己插入一个新的融合层比如把 P2160x160也拉进 Neck那就必须额外加一次下采样或上采样来对齐通道和尺寸。否则模型能跑但训练 Loss 会异常高而且很可能不收敛。3.3 从Neck输出到检测头的连接方式在 YOLO11 里Neck 的三份输出会直接传给 Detect 头中间不再有额外的卷积层。这意味着 Detector 看到的就是“已经融合好的多尺度特征”。这里有个细节值得注意这三份特征虽然命名也叫 P3、P4、P5但实际内容和 backbone 输出的 P3、P4、P5 已经完全不同它们是被双向融合过的。在写自定义改进模块时千万别拿 backbone 的 P3 特征去做检测头输入那样等于绕过了 Neck 的融合精度会断崖式下跌。一个常见做法是在 Detect 头之前加一个轻量注意力比如 SE 模块或 EMA 模块专门对 Neck 输出做通道注意力重标定。实践下来这个位置加的注意力模块收益非常直观因为输入的三个特征尺度差异大通道注意力能让检测头更关注每个尺度上有用的通道。后面我展开讲改进时还会提到这个思路。4. Anchor-Free检测头与损失函数输出端怎么变成框的4.1 解耦检测头的结构YOLO11 的 Detect 头是一个典型的解耦头分类和回归各走各的分支。在 n 版本里输入是 80x80、40x40、20x20 三份特征每个位置会输出两部分。分类分支输出nc个通道表示“这个位置属于每个类别的概率”其中 nc 是数据集的类别数。COCO 是 80 类自定义数据集就换成你自己的类目数。回归分支输出4 * reg_max个通道YOLO11 中 reg_max 16。这 64 个通道不是直接输出坐标而是输出每个边界框四条边的“离散概率分布”。每条边用 16 个桶来表示距离大小推理时对这 16 个值做 softmax 再按桶位置加权求和得到一个精确的距离预测。这种操作叫 DFLDistribution Focal Loss它比直接回归一个浮点数更稳因为模型被鼓励去拟合一个分布即使训练样本少也能通过对分布的约束把框“逼”到正确位置。因为检测头是 Anchor-Free 的特征图上每个点本质上是一个“锚点”不需要预设 Anchor 尺寸。模型的回归目标变成了“当前锚点到真实框四条边的距离”用离真实框中心最近的那些锚点作为正样本负责预测这个框。这样做的好处是训练和推理都更简单不会因为 Anchor 尺寸设置不合理而大幅掉点。4.2 TaskAlignedAssigner是如何分配正样本的训练时最关键的一步是决定“哪个位置负责预测哪个真实框”。YOLO11 使用的策略是 TaskAlignedAssigner它的核心是把“分类得分”和“回归质量”合并成一个对齐度量alignment cls_score^α * IoU^β其中 α 取 1β 取 6。意思是某个锚点预测的类别概率越高、预测框与真实框的 IoU 越大它就越有可能被选为正样本。这里的 IoU 不是随便算的而是用训练过程中的预测框来计算所以会随着训练不断变化。每个真实框会选取对齐度量最高的 top k 个锚点作为正样本。n 版本中每个真实框默认保留的候选锚点数受topk参数控制默认通常是 13但只会从中选少量做正样本。为了剔除低质量预测所有正样本的回归损失会用 IoU 作为权重进行加权也就是 IoU 越高的正样本它对梯度的贡献越大。这样做与旧版的静态分配策略比最大的好处是“框的质量”被直接纳入训练信号。你可以这么理解一个锚点虽然分类得分很高但预测的框和大半个目标错开了那它就不该负责这个目标因为它的对齐度低了。反过来一个锚点和真实框 IoU 很高但分类得分迷迷糊糊它也不会被选中。两个条件同时满足才有资格当正样本。自训练时如果有种情况——模型预测结果里全是背景、一个目标都检不出来多半是这个对齐度量里 IoU 权重过重导致分类还没学好时正样本被筛掉太多。遇到这种情况可以适当降低 β 值或者检查分类分支的初始学习率。4.3 总损失与三个组成部分YOLO11 的总损失由三部分加权相加total_loss box_weight * box_loss cls_weight * cls_loss dfl_weight * dfl_loss默认权重分别是 7.5、0.5 和 1.5。box_loss 用的是 CIoU它会同时惩罚重叠面积、中心点距离和宽高比差异比普通 IoU 收敛更快。cls_loss 是 BCEWithLogitsLoss每个位置对所有类别都算一次二分类损失所以类别之间不互斥。dfl_loss 的作用前面说了是约束回归分支输出的概率分布尽量向着真实距离对应的桶集中。训练时你会发现一个现象前几个 epoch 的 cls_loss 下降很慢。别急这很正常。因为 TaskAlignedAssigner 分配正样本依赖预测结果训练初期预测全乱正样本分配也在频繁跳变分类分支等于在“移动靶”上做二分类。一般等到 20-30 个 epoch 后box 分支稍微稳定cls_loss 就会出现明显拐点。如果你自定义数据集比较小建议把box权重从 7.5 适当降到 5.0让分类任务在初期更容易学防止模型把所有锚点都预测成背景。5. YOLO11n完整参数汇总与版本横向对比5.1 YOLO11n关键数字速查把 n 版本的模型信息整理成一张速查表方便你以后查指标数值参数量约 2.6M计算量约 6.5 GFLOPsCOCO mAP50-95约 39.4深度因子0.50宽度因子0.25输入分辨率640x640检测尺度P3 / P4 / P5stride 8/16/32reg_max16拿 YOLOv8n 对比v8n 参数量 3.2M、计算量 8.7 GFLOPs、mAP50-95 约 37.3。YOLO11n 在参数更少、计算量更低的情况下精度涨了约 2 个点这基本是结构优化的直接收益。推理速度方面我在 CPU 上用 ONNX Runtime 测过单张 640x640 大约 13-15msGPU 上RTX 3060FP16直接 2-3ms 的水平。作为对比同等的轻量模型能跑到这个精度区间的并不多。5.2 n/s/m/l/x五个版本怎么选YOLO11 和 YOLOv8 一样提供五个版本核心结构一模一样区别只在深度和宽度版本深度因子宽度因子参数量计算量COCO mAP50-95n0.500.252.6M6.5G39.4s0.330.509.4M21.5G47.0m0.670.5020.1M68.0G51.5l1.001.0025.3M86.9G53.4x1.251.0056.8M194.9G54.7以上数值来自官方 Release接近实验值不同硬件和训练配置下会有小浮动。选型建议很直接边缘设备、实时性要求高、算力有限选 n一般服务端推理、想要精度和速度平衡选 s 或 m追求极致精度、显存够大选 x。注意一点l 和 x 虽然精度高但训练成本增长是非线性的尤其是 x 版本的 GFLOPs 接近 195G在单卡 4090 上训练 COCO 也要按天算。如果你只是做科研实验验证想法先拿 n 版本快速迭代准没错。5.3 轻量化与精度之间的取舍逻辑很多人会问一个问题同样结构为什么 n 版本精度比 x 低这么多这不只是“通道更少、网络更浅”这么简单。宽度因子压缩会让每层特征表达的能力下降深度因子压缩会让感受野的堆叠深度减少。更重要的是在自注意力模块C2PSA里深度因子削减了 PSABlock 堆叠数全局建模的“层数”就少了长距离依赖能力打了不少折扣。所以如果你想在 n 版本上做改进提精度优先补强 C2PSA比如把 PSABlock 从 1 个加到 2 个而不是盲目加卷积层宽度。6. 环境配置、推理复现与常见问题排查6.1 从零跑通YOLO11n的最短路径很多人在环境上卡住其实 YOLO11 的安装已经非常简单了。如果你只是想快速验证模型能不能跑只需要三步。先准备一个 Python 3.9 以上的环境建议 3.10然后安装 PyTorchCUDA 版本根据你的显卡来选择。安装完成后执行pip install ultralytics然后创建 Python 文件跑推理from ultralytics import YOLO # 自动下载 yolo11n.pt 权重 model YOLO(yolo11n.pt) results model(bus.jpg) results[0].show()第一次跑会自动下载权重文件如果没有“科学”的网络条件会慢但 ultralytics 官方提供了多镜像源。国内环境如果下载卡住可以手动把yolo11n.pt下载后放到当前目录代码会自动识别本地文件。整个推理过程在 CPU 上也能跑只是会慢一些。6.2 Windows 上安装配置的几个坑Windows 是大多数入门用户的日常环境这里有几个真实踩过的坑。第一个坑是 PyTorch 安装源问题。直接用pip install torch torchvision会装 CPU 版本虽然能跑但速度感人。正确做法是到 PyTorch 官网根据自己的 CUDA 版本复制安装命令比如pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121第二个坑是 CUDA 版本与驱动不匹配。新版 PyTorch 对旧驱动不友好建议先把 NVIDIA 驱动升到较新版本然后安装 CUDA 12.x 对应版本。第三个坑是 Windows 上长路径问题。Ultralytics 项目会自动生成runs目录存放训练结果一旦路径过深超过 260 字符Windows 会报错找不到文件。解决办法是开启系统的长路径支持或者在项目根目录训练别把数据集嵌在很深的多级目录里。6.3 训练自定义数据集时最容易出的问题自定义数据集最常见的报错是No labels found。看到这个词先别慌基本是路径或格式问题。YOLO 格式要求图像和标签都放在同一个数据集根目录下图片在images子目录标签在labels子目录标签是 txt 文件每一行是class_id x_center y_center width height坐标是归一化到 0~1 的小数。训练命令是这样model.train(datamydata.yaml, epochs100, imgsz640, batch16)mydata.yaml 里最关键的是三个字段path数据集根目录绝对路径或相对路径、train训练集图像所在目录、val验证集图像所在目录。路径写错是 No labels 报错的最常见原因。注意train和val的值是相对于path的子路径比如train: images/train。如果训练正常起来但 Loss 不降优先检查你的类别数是否和标签一致。yaml 里的nc如果比标签实际的类别 ID 小比如标签里出现了 class_id5但 nc 只写了 5合法 ID 是 0~4那模型会直接忽略这个标签训练 Loss 也会显得不正常。这种错误没有报错提示是最容易被忽视的坑。6.4 显存不足时的四条自救方案显存不足是训练必遇的坑尤其你想用 n 版本做实验但电脑只有 6G 显存以下四条按优先级排降低 batch size。从 16 降到 8再降到 4大多数场景能解决。Ultralytics 的 batch 参数会自动根据显存调整但手动指定更可控。开启 AMP 混合精度。Ultralytics 默认在可用时开启 AMP如果没开加上ampTrue。半精度训练能让显存占用下降约三分之一。降低 imgsz。640 降到 512训练显存会明显下降但精度也会掉一点。自定义数据集如果目标是小目标这个操作需谨慎因为分辨率降低对小目标非常不友好。梯度累积。batch 设为 4加上accumulate8相当于一次迭代从 32 张图里累积更新。效果接近 batch32但显存占用保持在 batch4 的水平。对 n 版本来说很少会真的把一张 4090 显存打满但如果你像我一样在笔记本的 RTX 3060 6G 上训练 YOLO11nbatch16 imgsz640 AMP 基本是极限。也别迷信“大 batch 一定更好”小数据集上 batch 过大精度反而下降这是实践里反复验证过的经验。6.5 改进实验的三个切入点既然标题相关的热词里有“yolo11改进”和“yolo11小目标增强模块”这块我多说几句经验。改进别拿着一锅乱炖先明确你的痛点落在哪。第一个切入点是在 C3K2 中把普通 Bottleneck 换成带注意力或轻量改造的变体。比如把 3x3 卷积改成 GSConv或将部分 Bottleneck 替换为可变形卷积。这类改动对“目标形变大”“遮挡严重”的数据集提升明显但对常规场景可能不升反降。第二个切入点是在 Neck 输出和 Detect 之间增加小目标检测尺度。YOLO11n 默认最小检测层是 P3stride 8对小目标仍然不够。你可以把 backbone 的 P2160x160stride 4拉进 Neck 做融合再增加一个检测头这样小目标召回会明显提升代价是参数量和计算量增加一截。这里特别提醒增加输入尺度不是简单地加一个 Detect 分支就完事要在 Neck 里为 P2 单独建一条上采样/下采样对齐路径否则特征尺度对不齐会导致训练不收敛。第三个切入点是增大 C2PSA 中 MHSA 的头数或注意力比率。n 版本默认注意力相关参数偏保守调大后对大目标检测有帮助。如果数据集主要场景是“视野里有几个大物体、周边环境复杂”通道注意力加在检测头前比加在 backbone 里收益更明显。我在实际项目里的体会是改进之前一定先把原模型在你的数据集上跑到一个稳定的 baseline记录每类 AP再去找最差的那个类别去设计针对性改动。很多改进去训练时 mAP 看起来涨了但逐类看可能只是把简单类的分数拉高了困难类完全没动这是典型的过拟合小改动不具有泛化价值。YOLO11 结构本身给了很好的实验框架每层都可插拔、可替换比从零改网络要友好得多。最后再分享一个小技巧做结构改动实验时把所有改进模块先做成可配置的开关并沿用 YOLO11 的配置文件风格去管理这样不同组合的对比实验只需要改 yaml 就能跑不用频繁改代码既减少出错概率也方便回溯哪一改动真正起了作用。