YOLOv11涨点改进 | 独家创新Neck改进篇 | 给yolov11分别增加P2小目标检测层和P6大目标检测层，助力YOLOv11有效涨点

最新推荐文章于 2025-09-06 09:26:50 发布
最新推荐文章于 2025-09-06 09:26:50 发布
阅读量14 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： YOLOv11全新有效创新改进+永久更新中 文章标签： 人工智能 计算机视觉 YOLO 小目标检测 大目标检测 yolov11创新改进
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45972324/article/details/151232180

一、本文介绍

本文介绍YOLOv11模型针对小目标和大目标检测的改进方案。通过增加P2检测层提升小目标检测能力；引入P6检测层增强大目标识别效果。具体使用请看全文。

专栏改进目录：YOLOv11改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进

全新YOLOv11-发论文改进专栏链接：全新YOLOv11创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文

目录

一、本文介绍

二、增加小目标检测层 P2 的意义与作用

 意义

 实际作用

三、增加大目标检测层 P6 的意义与作用

 意义

 实际作用

四、创建小目标检测和大目标检测yaml文件

🚀yolov11n_p2.yaml 

🚀 yolov11n_p6.yaml 

五、正常运行

了解本专栏 订阅专栏 解锁全文
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
Snu77的博客
11-05 6万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
目标检测算法——YOLOv7改进|增加小目标检测层
热门推荐
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-02 2万+
目标检测算法——YOLOv7改进|增加小目标检测层。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。
【YOLOv8改进[Neck]】使用BiFPN助力V8更优秀
静谧、淡雅
04-17 2758
使用BiFPN助力V8更优秀
【YOLOv10改进[Backbone]】图像修复网络AirNet助力YOLOv10目标检测效果 + 含全部代码和详细修改方式 + 手撕结构图 + 全网首发
静谧、淡雅
06-03 1794
图像修复网络AirNet助力YOLOv10目标检测效果 + 含全部代码和详细修改方式 + 手撕结构图 + 全网首发
【YOLOv8改进[Conv]】使用OREPA助力V8更优秀
静谧、淡雅
04-17 1572
使用OREPA助力V8更优秀，降低训练成本，在不引入任何推理时间成本的情况下提高深度模型的性能。
即插即用! | 国防科大联合慕尼黑工业大学提出新型解耦头 TSCODE: 引入yolov5/yolov7助力目标检测器轻松涨点！
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
04-20 1916
解耦头优化：新型解耦头 TSCODE， 引入yolov5/yolov7助力目标检测器轻松涨点！
YOLOv5改进PicoDet主干系列：移动端超轻量目标检测算法PP-PicoDet，0.99M，150FPS，助力移动端达到超实时检测
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-30 2164
YOLOv5代码实践｜助力移动端达到超实时检测
AI助力红外场景下光伏板夜间巡检运维，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建无人机航拍场景下太阳能光伏板污损缺陷智能检测识别系统
Together_CZ的博客
03-03 1224
AI助力红外场景下光伏板夜间巡检运维，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建无人机航拍场景下太阳能光伏板污损缺陷智能检测识别系统
无人机助力道路智能养护，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建无人机航拍道路交通场景下水泥路面缺陷智能检测识别系统
Together_CZ的博客
04-09 1249
无人机助力道路智能养护，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建无人机航拍道路交通场景下水泥路面缺陷智能检测识别系统
STM32传感器模块编程实践(十六)DIY人脸识别智能垃圾桶模型
光子物联
09-05 975
本文介绍了一种基于STM32单片机的人脸识别智能垃圾桶模型。该系统由STM32F103C8T6主控芯片、ASR-PRO语音交互模块、SG90舵机和人脸识别模块组成。语音模块用于验证口令，只有口令正确才能录入人脸；识别成功后舵机带动垃圾桶盖打开。控制流程包括人脸识别、语音交互和舵机驱动，通过串口指令实现人脸录入与识别。系统采用STM32CubeMX配置GPIO、PWM和串口参数，Keil5编写控制程序，最终实现人脸识别控制垃圾桶
AI驱动的软件测试：革命性的自动化、缺陷检测与实验优化
最新发布
zzywxc787的博客
09-06 574
人工智能（AI）和机器学习（ML）技术的融入，正在从根本上重塑软件测试的格局，将其从一种主要是手动的、重复性的任务转变为一种智能的、预测性的、且持续优化的过程。*说明：多臂老虎机算法（MAB）由于将更多流量分配给了更好的版本B，其累积回报（点击次数）的增长速度远快于传统A/B测试（固定50/50分流）。： 利用NLP技术（如文本分类）自动分析新提交的Bug报告的内容、标题和描述，将其自动分类（如“前端UI问题”、“后端API错误”），并推荐或分配给最合适的开发人员（基于谁修改了相关代码文件）。
怎么快速构建一个deep search模型呢
qq_57565004的博客
09-05 698
本文提出了一种快速构建具备深度信息检索能力的智能体系统（DeepSearch）的方法。该方法采用分阶段开发策略：首先基于RAG架构搭建基础检索链路，再通过LangChain框架整合大语言模型和搜索引擎API，赋予系统自主规划与迭代搜索能力，最终实现多源信息整合和结构化报告生成。技术选型上强调利用开源工具（如LangChain、ChromaDB）和预训练模型，通过"思考-检索-整合-迭代"的智能体工作流，高效构建可验证原型的核心功能。
机器学习基础-day03-机器学习中的线性回归
XZSSWJS的博客
09-04 1008
初学小小白，个人笔记使用，仅供参考
机器学习从入门到精通 - 强化学习初探：Q-Learning到Deep Q-Network实战
THMAIL的博客
09-04 1436
本文介绍了强化学习从Q-Learning到Deep Q-Network(DQN)的进阶过程。首先阐述了强化学习的基本框架，包括Agent、Environment、State、Action和Reward的交互关系，以及马尔可夫决策过程(MDP)的核心假设。重点讲解了Q-Learning算法，详细推导了其基于贝尔曼方程的时间差分更新公式，并说明了ε-greedy策略在探索与利用之间的平衡作用。随后指出Q-Table在处理高维状态空间时的局限性，进而引入DQN解决方案。DQN采用神经网络作为函数逼近器，并依靠经验
SpringAI Alibaba Graph 流式对话
weixin_60523038的博客
09-03 422
SrpingAi Alibaba Graph实现流式对话，工作流，Graph工作流，代码工作流，流式
AI-调查研究-69-具身智能 关键能力全景解析：算法、硬件、仿真与数据的系统综述
永远好奇，无限进步！
09-04 1073
具身智能的发展依赖算法、硬件、仿真环境、嵌入式系统和数据处理的全方位支撑。智能算法是核心大脑，涵盖感知、认知和控制三层：感知侧通过视觉、听觉和多模态融合实现环境理解；认知层借助规划、强化学习与符号推理完成决策；控制层则确保精确动作执行，并结合端到端学习与混合智能架构优化性能。硬件作为“躯体”，包括高精度传感器、伺服驱动和异构计算平台，其性能直接决定智能水平。仿真环境提供安全高效的“数字训练场”，显著降低现实试错成本，支持大规模并行训练。嵌入式系统则构建从终端到云端的分层协同架构，保障实时性与稳定性。
Crush AI：终端里的新晋编码神器，快到飞起
berxtjkl的博客
09-03 842
如果你曾是Open Code的用户，那么Crush会让你倍感亲切。它由Open Code的核心开发者加入Charm团队后倾力打造，可以看作是一次彻底的重构和升华。最核心的变化在于，Crush完全由Go语言构建，这意味着它拥有了闪电般的原生性能和无与伦比的跨平台兼容性，无论是macOS、Linux还是Windows用户，都能享受到丝滑的体验。Crush目前仍处于早期发展阶段，缺少一些高级功能，比如自定义指令或复杂的规划模式。
有感：在变革中坚守与前行
panjiapengfly的博客
09-03 507
2025 年，科技浪潮汹涌澎湃，身为程序员的我们，正身处这场变革的核心。回首这一年，诸多经历和感悟涌上心头，不吐不快，希望能和同行们分享，或许也能给即将踏入这个行业的朋友一些启发。​曾经，我们凭借手中的代码，构建出一个个功能强大的软件系统，仿佛自己就是数字世界的主宰。但如今，行业正经历着前所未有的巨变。AI 技术的迅猛发展，让许多传统的编程工作面临着被替代的风险。就像我身边的一位朋友，原本从事着基础的代码编写工作，兢兢业业多年，却在公司引入了先进的代码生成工具后，发现自己每天的工作任务量大幅减少，最终不幸被
深度学习从入门到精通 - LSTM与GRU深度剖析：破解长序列记忆遗忘困境
THMAIL的博客
09-04 1006
本文深度剖析了LSTM和GRU如何解决RNN的长序列记忆遗忘问题。通过数学原理解释了普通RNN梯度消失的根源，详细拆解了LSTM三大门控机制（遗忘门、输入门、输出门）和GRU双门结构（更新门、重置门）的工作原理。文章提供了多项实战技巧，包括梯度裁剪、参数初始化、序列批处理等，并通过实验对比指出LSTM在长依赖任务中的优势，GRU在短序列处理中的高效性。最后讨论了RNN在Transformer时代的应用场景，并给出技术选型建议。
小目标检测篇 | YOLOv8改进之增加小目标检测层（针对Neck网络为AFPN）
12-26
YOLOv8（You Only Look Once version 8）是一个基于YOLO系列的实时物体检测算法的升级版，特别注重对小目标的检测能力。在原本的基础上，当 Neck 网络采用 Feature Pyramid Network (FPN) 或类似结构（如 Adaptive Feature Pyramid Network, AFPN）时，小目标检测层的加入有以下几个关键点： 1. **多尺度特征融合**：AFPN通过在不同层次上捕捉不同大小的上下文信息，有助于识别小目标。它将来自低分辨率特征图的细节信息与高分辨率特征图的全局上下文结合起来。 2. **小目标导向设计**：在YOLOv8的架构中，增加了专门处理小目标的分支或层。这些层可能会调整卷积核尺寸、步长等参数，以便更好地捕获小目标的特征。 3. **精度提升技术**：这可能包括使用较小的anchor box、增强弱监督学习（例如，通过非极大抑制抑制大目标并提高小目标的学习权重）、以及更精细的锚点配置等。 4. **损失函数优化**：为了更好地训练小目标检测器，YOLOv8可能会调整损失函数，使其更加关注小目标的精确度而不是召回率，因为对于小目标来说，误报的成本通常更高。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值