YOLO基础知识
YOLO11模型结构：
# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLO11 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n'
# [depth, width, max_channels]
n: [0.50, 0.25, 1024] # summary: 319 layers, 2624080 parameters, 2624064 gradients, 6.6 GFLOPs
s: [0.50, 0.50, 1024] # summary: 319 layers, 9458752 parameters, 9458736 gradients, 21.7 GFLOPs
m: [0.50, 1.00, 512] # summary: 409 layers, 20114688 parameters, 20114672 gradients, 68.5 GFLOPs
l: [1.00, 1.00, 512] # summary: 631 layers, 25372160 parameters, 25372144 gradients, 87.6 GFLOPs
x: [1.00, 1.50, 512] # summary: 631 layers, 56966176 parameters, 56966160 gradients, 196.0 GFLOPs
# YOLO11n backbone
backbone:
# [from, repeats, module, args]
- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
- [-1, 2, C3k2, [256, False, 0.25]]
- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
- [-1, 2, C3k2, [512, False, 0.25]]
- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
- [-1, 2, C3k2, [512, True]]
- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
- [-1, 2, C3k2, [1024, True]]
- [-1, 1, SPPF, [1024, 5]] # 9
- [-1, 2, C2PSA, [1024]] # 10
# YOLO11n head
head:
- [-1, 1, nn.Upsample, [None, 2, "nearest"]]
- [[-1, 6], 1, Concat, [1]] # cat backbone P4
- [-1, 2, C3k2, [512, False]] # 13
- [-1, 1, nn.Upsample, [None, 2, "nearest"]]
- [[-1, 4], 1, Concat, [1]] # cat backbone P3
- [-1, 2, C3k2, [256, False]] # 16 (P3/8-small)
- [-1, 1, Conv, [256, 3, 2]]
- [[-1, 13], 1, Concat, [1]] # cat head P4
- [-1, 2, C3k2, [512, False]] # 19 (P4/16-medium)
- [-1, 1, Conv, [512, 3, 2]]
- [[-1, 10], 1, Concat, [1]] # cat head P5
- [-1, 2, C3k2, [1024, True]] # 22 (P5/32-large)
- [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)下面是解释：
一、基础知识铺垫
1. 什么是YOLO？
YOLO（You Only Look Once）是一种实时目标检测算法，它的核心思想是：通过一次前向传播（只看一次图像）就能预测图像中所有物体的位置和类别。
2. 模型配置文件的作用
这个YAML文件定义了YOLO模型的网络结构，就像一张"建筑图纸"，告诉计算机：
- 每一层用什么样的砖块（卷积、池化等）
- 砖块之间如何连接（数据流动路径）
二、核心参数解释
1. 基础参数
nc: 80：模型需要检测80种物体（比如COCO数据集中的"人、车、狗..."）scales：定义不同大小的模型（n/s/m/l/x），就像"衣服尺码"，小模型（n）速度快但精度低，大模型（x）速度慢但精度高
2. 缩放系数的意义
每个模型尺寸有三个参数 [深度, 宽度, 最大通道数]：
- 深度：控制网络的层数（比如n模型的深度是0.5，表示总层数是大模型的一半）
- 宽度：控制每层的通道数（比如n模型的宽度是0.25，表示每层的通道数是基准数的25%）
- 最大通道数：防止某些层的通道数过大（比如n模型最大通道数不超过1024）
三、Backbone（主干网络）详解
1. Backbone的作用
想象Backbone是"特征提取器"，它像榨汁机一样把原始图像（比如640x640像素）一步步压榨，提取出不同层次的特征：
- 浅层特征：边缘、纹理（适合检测小物体）
- 深层特征：语义信息（适合检测大物体）
2. 逐层拆解（以YOLO11n为例）
我们用输入图像640x640为例，解释每一层：
| 层编号 | 模块 | 参数 | 输出尺寸变化 | 通俗解释 |
|---|---|---|---|---|
| 0 | Conv | [64, 3, 2] | 640x640 → 320x320 | 用64个3x3的过滤器，步长2（下采样） |
| 1 | Conv | [128, 3, 2] | 320x320 → 160x160 | 通道数翻倍，继续下采样 |
| 2 | C3k2 | [256, False, 0.25] | 保持160x160 | 用多个小卷积组合提取特征 |
| 3 | Conv | [256, 3, 2] | 160x160 → 80x80 | 继续下采样 |
| 4 | C3k2 | [512, False, 0.25] | 保持80x80 | 更深的特征提取 |
| 7 | Conv | [1024, 3, 2] | 40x40 → 20x20 | 最终下采样到20x20分辨率 |
| 9 | SPPF | [1024, 5] | 保持20x20 | 空间金字塔池化，融合多尺度特征 |
| 10 | C2PSA | [1024] | 保持20x20 | 注意力机制，让模型关注重要区域 |
3. 关键模块说明
-
C3k2：由多个卷积组成的模块，类似"乐高积木块"，通过堆叠提取复杂特征 -
SPPF：快速空间金字塔池化，把不同大小的池化结果拼接，帮助模型理解不同尺度的物体 -
C2PSA：结合通道注意力和空间注意力，让网络自动学习"看哪里更重要"
四、Head（检测头）详解
1. Head的作用
如果说Backbone是"眼睛"，Head就是"大脑"，它的任务是：
- 融合多尺度特征（把不同分辨率的特征图拼接）
- 预测物体位置和类别（输出边界框和类别概率）
2. 核心操作解释
- 上采样（Upsample）：把小特征图放大（比如20x20→40x40），用最近邻插值法
- 拼接（Concat）：把深层特征和浅层特征拼接，结合细节和语义信息
- C3k2处理：对拼接后的特征再次提取
- 下采样（Conv步长2）：降低分辨率，准备多尺度预测
3. 多尺度预测示意图
[80x80] ← 上采样 + 拼接 ← [40x40] ← 上采样 + 拼接 ← [20x20]
（检测小物体） （检测中物体） （检测大物体）五、Detect层（最终输出）
1. 输入来源
- P3: 80x80的高分辨率特征（检测小物体）
- P4: 40x40的中等分辨率特征（检测中物体）
- P5: 20x20的低分辨率特征（检测大物体）
2. 输出内容
每个尺度的每个网格会预测：
- 边界框坐标（x, y, w, h）
- 置信度（是否有物体）
- 80个类别的概率
3. 最终检测流程
- 输入图像经过Backbone提取特征
- Head融合不同尺度的特征
- Detect层在每个尺度上生成预测框
- 非极大值抑制（NMS）去除冗余框
六、举个实际例子
假设输入一张640x640的图片：
-
Backbone处理：
- 经过5次下采样，最后得到20x20的特征图
- 中间过程保留了不同尺度的特征（160x160、80x80、40x40等）
-
Head处理：
- 把20x20的特征图上采样到40x40，与之前的40x40特征拼接
- 再次上采样到80x80，与更早的80x80特征拼接
- 同时也会下采样融合其他尺度的特征
-
输出结果：
- 最终在80x80、40x40、20x20三个尺度上分别预测物体
- 小物体（如远处的行人）主要在80x80被检测到
- 大物体（如近处的汽车）主要在20x20被检测到