yolo11 yaml

### YOLOv11 YAML配置文件详解

#### 模型架构定义
YOLOv11 的模型配置文件位于 `ultralytics/cfg/models/11` 文件夹下。这些配置文件不仅涵盖了目标检测，还涉及实例分割、图像分类、关键点/姿态估计以及旋转目标检测等多个任务。

对于目标检测模型而言，其基本结构如下所示：

nc: 80  # 类别数量
depth_multiple: 0.33  # 深度倍率因子
width_multiple: 0.50  # 宽度倍率因子
anchors:
  - [10,13, 16,30, 33,23]  # 锚框尺寸列表
backbone:
  [[-1, 1, "Conv", { ... }], [...]]  # 主干网络层定义
head:
  [[-1, 7, "SPP"], [-1, 1, "Conv", {...}], [...]]  # 头部组件定义

上述代码片段展示了如何通过简单的键值对来描述复杂的神经网络拓扑[^1]。

#### 关键参数解释

- **类别数量 (`nc`)**
此字段指定了数据集中存在的不同类别的总数目。例如，在COCO数据集上训练时通常设为80。

- **深度与宽度乘法器 (`depth_multiple`, `width_multiple`)**
这两个超参用于控制整个网络的规模大小。具体来说，“深度”指的是卷积层数量的比例系数；而“宽度”则影响着每层特征图的数量比例。调整这两个数值可以实现更轻量化或更强力版本的模型构建。

- **锚框设定 (`anchors`)**
列表中的每一组数字代表了一个预定义好的边界框宽高比组合。它们会在预测阶段帮助算法更好地拟合实际物体形状。合理设置此选项有助于提高定位精度并减少误检情况发生概率。

- **主干网路(`backbone`) 和头部组件(`head`)**
使用嵌套数组形式表示各个模块之间的连接关系及其属性信息。每个子项由三个部分组成：前驱节点索引(-1 表示输入)，重复次数(即该操作执行几遍), 层类型名称加上额外初始化参数字典对象。这种表达方式使得整体布局清晰明了易于维护扩展。

def parse_model(d):
    """Parse a YOLO model configuration dictionary."""
    ch = [3]  # input channels
    for i, (from_, n, k, args) in enumerate(d['backbone'] + d['head']):
        m = eval(k)(ch[-1])
        ch.append(m(ch[-1]))