Yolo11改进策略：Block改进|CBlock，Transformer式的卷积结构|即插即用

摘要

论文标题: SparseViT: Nonsemantics-Centered, Parameter-Efficient Image Manipulation Localization through Spare-Coding Transformer 论文链接: https://arxiv.org/pdf/2412.14598 官方GitHub: https://github.com/scu-zjz/SparseViT 、

Yolo（You Only Look Once）系列模型在目标检测领域具有广泛的应用和显著的性能。随着深度学习技术的不断发展，研究者们不断探索更高效、更强大的网络结构以提升目标检测的性能。SparseViT提出的CBlock模块结合了卷积神经网络（CNN）和Transformer的优点，旨在提高特征提取的效率和效果。本文使用SparseViT的CBlock改进Yolo11，使用CBlock替换Yolo11中的Bottleneck结构，提升Yolo11的特征提取能力，实现涨点。

方法

改进说明：使用CBlock增强YoloV11的特征提取能力

背景

Yolo（You Only Look Once）系列模型在目标检测领域具有广泛的应用和显著的性能。随着深度学习技术的不断发展，研究者们不断探索更高效、更强大的网络结构以提升目标检测的性能。SparseViT提出的CBlock模块结合了卷积神经网络（CNN）和Transformer的优点，旨在提高特征提取的效率和效果。

改进方法

在本改进中，我们将SparseViT中的CBlock模块引入YoloV11，以替换原有的Bottleneck结构。Bottleneck结构是深度残差网络（ResNet）及其变体中的关键组件，它通过减少和恢复通道数来降低计算复杂度，同时保持较好的特征表达能力。然而，随着目标检测任务的复杂性增加，传统的Bottleneck结构在某些情况下可能无法充分捕捉图像中的关键信息。

为了提升YoloV11的特征提取能力，我们进行了以下改进：

1. CBlock模块引入：
   • 我们将CBlock模块引入到YoloV11的C3k2和C3k模块中，替换原有的Bottleneck结构。
   • CMlp 类实现了一个简单的多层感知器，结合了卷积操作和激活函数，适用于特征的非线性变换。
   • CBlock模块结合了卷积操作、注意力机制和多层感知器（MLP），能够更有效地捕捉图像中的局部和全局特征。
2. 网络结构调整：
   • 在C3k2和C3k模块中，我们保留了原有的网络结构框架，但将内部的Bottleneck层替换为CBlock层。
   • 这种替换保持了网络的整体架构不变，同时增强了特征提取和表示能力。
3. 参数优化：
   • 我们对CBlock模块中的参数进行了调整，以确保其与YoloV11的其他部分兼容。
   • 通过实验验证，我们选择了最优的CBlock配置，以在保持计算效率的同时提升性能。

完整的改进方法： https://blog.csdn.net/m0_47867638/article/details/145963057?spm=1001.2014.3001.5501