下采样优化实战：用ADown显著提升YOLOv11的多尺度特征保持能力

特征下采样革新：ADown 赋能 YOLOv11 实现多尺度特征精准传递实战教程

在目标检测的特征金字塔构建中，下采样操作是传递多尺度特征的关键环节。传统下采样（如步幅为2的卷积或池化）易丢失小目标细节，导致特征传递不完整。而 ADown（新颖下采样模块） 凭借“可编程梯度信息+多分支特征融合”设计，在 MS COCO 数据集上实现 AP 提升 4.8%，小目标 AP 提升 6.3%，同时保持特征图的细节完整性。本教程将深度解析 ADown 原理，带你将其集成到 YOLOv11 中，让你的检测模型在“多尺度特征传递+小目标识别”上实现质的飞跃。

一、ADown 核心原理：如何突破传统下采样的局限？

1. 传统下采样的痛点

传统下采样通过简单的降维操作（如步幅卷积、池化）压缩特征图尺寸，虽能实现尺度变换，但会不可避免地丢失小目标的边缘、纹理等细节特征。在小目标密集或多尺度混合的场景中，这种细节丢失会导致检测精度大幅下滑。

2. ADown 的创新设计：可编程梯度与多分支融合

ADown 引入可编程梯度信息（Programmable Gradient Information, PGI） 和多分支特征融合结构，实现两大突破：

• 可编程梯度信息：通过学习梯度的传递模式，让下采样过程中梯度的反向传播更贴合