yolov11 StarNet

### YOLOv11 和 StarNet 的介绍

#### YOLOv11 概述
YOLOv11 是一种先进的实时对象检测算法，继承并优化了前几代YOLO模型的优点。该版本引入了许多新的特性和技术来提高检测精度和速度。特别是通过融合最新的HCANet网络中的卷积和注意力机制模块（CAFMs），显著增强了对于小物体的识别能力[^3]。

#### StarNet 组件解析
StarNet_s1 特指YOLOv11架构下的一个特定配置变体，在参数设置上有其独特之处。例如，`[-1, 1, starnet_s1, [depth_coefficient, width_coefficient]]` 中的 `width_coefficient=0.5` 对应于较小规模的基础模型 (如 YOLOv11N 或者 YOLOv11S)[^2]；而较大的数值则适用于更复杂的大型模型。

### 安装与环境准备

为了顺利运行这些模型，建议按照官方文档指示搭建开发环境：

- Python >= 3.7.x
- PyTorch >= 1.9.0 及 CUDA 支持库
- OpenCV 等依赖项安装完成之后可以克隆项目仓库获取源码文件以及预训练权重。

git clone https://github.com/ultralytics/yolov11.git
cd yolov11
pip install -r requirements.txt

### 数据集处理

准备好自己的数据集非常重要。通常情况下需要转换成 COCO 格式的标注信息以便后续训练过程能够正常读取。如果采用自定义类别，则还需要修改相应的配置文件以适应新加入的对象种类。

### 训练流程概览

启动训练之前先确认好超参的选择，比如批量大小(batch size)、初始学习率(learning rate)等关键因素都会影响最终收敛情况。下面给出一段简单的命令行调用方式来进行本地调试:

from models.experimental import attempt_load
import torch

device = 'cuda' if torch.cuda.is_available() else 'cpu'
model = attempt_load('yolov11s.pt', map_location=device)  # 加载预训练模型
imgsz = 640  # 输入图片尺寸
conf_thres = 0.25  # 置信度阈值
iou_thres = 0.45  # NMS IOU 阈值
...