YOLOv11改进 - C3k2融合 | C3k2融合融合WDBB宽度多样分支模块（Width Diverse Branch Block）通过多尺度分支增强特征表征能力

原创已于 2025-12-09 20:45:36 修改 · 735 阅读

16 GEO检测

于 2025-11-22 20:39:56 首次发布

最新YOLOv11改进专栏专栏收录该内容

204 篇文章 ¥99.90 ¥299.90

订阅专栏

前言

本文介绍了WDBB（Wide Diverse Branch Block）技术在YOLOv11中的结合应用。WDBB是用于深度卷积神经网络的模块，其多分支结构设计包含1x1卷积、1x1 - KxK顺序卷积、平均池化分支和非对称卷积等，能捕捉多样化特征。它受多样性卷积启发，通过组合不同卷积类型分支增加特征表达能力。训练时进行身份转换，将多分支卷积核转换为等效KxK卷积核，推理时简化为单一KxK卷积，减少计算量。我们将其集成进YOLOv11，替代部分模块。实验表明，改进后的YOLOv11在目标检测中表现更优。

文章目录： YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLOv11改进专栏

介绍

摘要

本文着眼于灰度图像目标检测所面临的挑战，提出了增强型目标检测网络 YOLO - MIF，该网络整合了多种多信息融合策略以对 YOLOv8 网络进行改进。文章开篇介绍了一种可创建伪多通道灰度图像的技术，此技术能增加网络的通道信息，同时缓解潜在的图像噪声与虚焦模糊问题。随后运用网络结构重新参数化技术，在不增加推断时间的情况下提升网络的检测性能。此外，引入了一种新颖的解耦式检测头，增强了模型处理灰度图像时的表现能力。文章还在两个开源灰度图像检测数据集（NEU - DET 和 FLIR - ADAS）上对该算法展开评估。结果表明，在相同速度条件下，该算法在平衡检测效率与有效性方面比 YOLOv8 高 2.1％，比 Faster R - CNN 高 4.8％，实现了更优的性能表现。