yolo11小目标检测改进

### YOLOv11在小目标检测方面的改进方法和技术细节

#### 自适应特征融合策略
YOLOv11引入了更先进的自适应特征融合(Adaptive Feature Fusion, AFF)策略，该策略能够动态调整不同尺度特征图之间的权重分配。通过这种方式，在多尺度特征金字塔中实现了更加精准的小目标定位和分类[^1]。

#### 基于注意力机制的设计
为了进一步改善对细粒度信息的学习能力，YOLOv11采用了基于通道和空间维度上的双重注意力建模方案(CBAM)，即Convolutional Block Attention Module。这种设计使得网络可以在推理过程中自动聚焦于最具辨别性的区域，从而提高了对于遮挡严重或低分辨率下的微小物体识别准确性。

#### 轻量化模型优化
考虑到实际应用场景中计算资源有限的情况，YOLOv11还特别注重降低整体参数量与运算开销。一方面利用深度可分离卷积替代传统标准卷积层来减少冗余连接；另一方面则探索了诸如剪枝、量化等压缩手段以确保高效能表现的同时维持较高的预测质量[^2]。

import torch.nn as nn

class DepthwiseSeparableConv(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, padding=1):
        super(DepthwiseSeparableConv, self).__init__()
        self.depth_conv = nn.Conv2d(in_channels=in_channels,
                                    out_channels=in_channels,
                                    kernel_size=kernel_size,
                                    groups=in_channels,
                                    stride=stride,
                                    padding=padding)
        self.point_conv = nn.Conv2d(in_channels=in_channels,
                                   out_channels=out_channels,
                                   kernel_size=1)

    def forward(self, input):
        output = self.depth_conv(input)
        output = self.point_conv(output)
        return output

#### 数据增强与预处理
针对特定类型的数据集特性，YOLOv11实施了一系列定制化的图像变换操作，比如随机裁剪缩放和平移旋转等几何畸变方式，以及颜色抖动、高斯噪声注入等功能性扰动措施。这些做法有助于扩充训练样本多样性并缓解过拟合风险，进而间接促进了小尺寸实例的表现提升[^3]。