YOLOv11 / YOLO11: 更少参数, 更高精度

代码: github.com/ultralytics/ultralytics
作者: Ultralytics (2024年9月)
特点: ❌ 无正式论文，但性能和效率显著提升

一句话总结

YOLO11m 比 YOLOv8m 参数少 22%，精度更高。架构微调 + 训练的胜利。

核心架构改进

1. C3k2 模块 (替代 C2f)

1
2
3
4
5
6
7
C2f (v8):  Conv → split → Bottleneck×N → concat → Conv
                               ↓
                           标准 Bottleneck

C3k2 (v11): Conv → split → **C3k Bottleneck** → concat → Conv
                               ↓
                   CSP + **两个小卷积替代一个大卷积**

C3k 块细节:

1
2
3
4
传统 Bottleneck: Conv(1×1) → Conv(3×3)      (2个卷积)
C3k Bottleneck:  Conv(1×1) → Conv(3×3) → Conv(3×3)  (3个卷积, 更小的kernel)
                                            ↑
                                    用小卷积减小参数，加深结构增强表达

效果: 参数更少，处理更快，表达能力不降。

2. C2PSA (Cross Stage Partial Spatial Attention)

1
2
3
SPPF (空间金字塔池化) → C2PSA (跨阶段空间注意力)
                              ↓
                     通道分离 + 空间注意力 + 通道合并

位置: Backbone 末尾，SPPF 之后

作用:

  • 空间注意力增强重要区域的特征
  • CSP 结构保证梯度流
  • 几乎不增加参数

3. 参数效率优化

模型 参数量 mAP (COCO) 参数量变化
YOLOv8n 3.2M 37.3% 基准
YOLO11n 2.6M 39.5% -19%
YOLOv8m 25.9M 50.2% 基准
YOLO11m 20.1M 51.8% -22%
YOLOv8x 68.2M 53.9% 基准
YOLO11x 56.9M 55.0% -17%

全系列参数更少、精度更高！

多任务支持 (继承 v8)

任务 模型 使用
目标检测 yolo11n.pt YOLO("yolo11n.pt")
实例分割 yolo11n-seg.pt YOLO("yolo11n-seg.pt")
图像分类 yolo11n-cls.pt YOLO("yolo11n-cls.pt")
姿态估计 yolo11n-pose.pt YOLO("yolo11n-pose.pt")
旋转框 OBB yolo11n-obb.pt YOLO("yolo11n-obb.pt") 🆕

📦 OBB 教程: [[30.resources/yolo-master/docs/Hands_on_YoLo_with_ultralytics/1-DOTA-obb/README|DOTA OBB 进阶教程]]

部署灵活性

YOLO11 支持从边缘到云端的全场景部署。

1
2
3
4
边缘设备 → 云端 GPU
  │           │
  ├── yolo11n (2.6M)    ├── yolo11x (56.9M)
  └── CPU/移动端友好    └── 极致精度

v8 vs v11 选型

YOLOv8 YOLO11
模块 C2f + SPPF C3k2 + SPPF + C2PSA
参数效率 基准 ✅ 少 17-22%
精度 基准 ✅ 更高
新任务 检测/分割/分类/姿态 + OBB 旋转框
生态成熟度 ✅ 非常成熟 ✅ 主流已迁移
建议 老项目 新项目首选 ✅

相关链接

  • 📝 [[YOLO 系列总览]]
  • 📝 [[YOLOv8 详解]]
  • 📝 [[YOLOv10 详解]]
  • 📦 [[30.resources/yolo-master/docs/Hands_on_YoLo_with_ultralytics/1-DOTA-obb/README|DOTA OBB 教程]]