yolov11模块bottleneck

### YOLOv11中的Bottleneck模块实现与应用

在YOLOv11架构中，Bottleneck模块作为网络设计的关键组件之一，在特征提取过程中扮演着重要角色。该模块通过减少通道数来降低计算复杂度并加速推理过程。

#### Bottleneck模块结构描述

典型的Bottleneck模块由三个卷积层组成：

- **第一个卷积层**：采用\(1 \times 1\)的小型滤波器，用于降维操作，即减少输入张量的通道数量。

- **第二个卷积层**：通常是一个\(3 \times 3\)的标准卷积核，负责捕捉空间上的局部模式。

- **第三个卷积层**：再次利用\(1 \times 1\)的卷积恢复原始维度，以便后续处理[^1]。

这种设计不仅有助于缓解梯度消失问题，还能够有效控制模型参数规模，从而提高效率。

#### Python代码示例

以下是基于PyTorch框架下的简化版Bottleneck类定义及其调用方法：

import torch.nn as nn


class Bottleneck(nn.Module):
    expansion = 4
    
    def __init__(self, inplanes, planes, stride=1, downsample=None):
        super(Bottleneck, self).__init__()
        
        # 定义三层卷积
        self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=1, bias=False)
        self.bn1 = nn.BatchNorm2d(planes)

        self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=stride,
                               padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(planes)

        self.conv3 = nn.Conv2d(planes, planes * self.expansion, kernel_size=1, bias=False)
        self.bn3 = nn.BatchNorm2d(planes * self.expansion)

        self.relu = nn.ReLU(inplace=True)
        self.downsample = downsample
        self.stride = stride
        
    def forward(self, x):
        residual = x

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)
        out = self.relu(out)

        out = self.conv3(out)
        out = self.bn3(out)

        if self.downsample is not None:
            residual = self.downsample(x)

        out += residual
        out = self.relu(out)

        return out

此版本实现了标准ResNet风格的瓶颈单元，并可通过调整`inplanes`, `planes`等超参来自定义不同配置下的表现形式[^2]。