YOLOv11改进之骨干网络替换：Poolformer

一、本文介绍

本文主要内容：

• 介绍 PoolFormer 的研究背景与核心思想；

• 分析其网络架构；

• 展示如何将 PoolFormer 接入 YOLOv11 作为 backbone；

• 提供修改代码与配置文件的详细步骤。

论文地址：MetaFormer is Actually What You Need for Vision
源码地址：GitHub - sail-sg/poolformer

目录

一、本文介绍

二、Poolformer网络

2.1 研究动机

2.2 核心思想

2.3 架构设计

三、模型修改

步骤一（新增模块）

步骤二（代码修改）

四、模型配置

五、总结

---

二、Poolformer网络

2.1 研究动机

在视觉领域，近几年主流的 backbone 模型大致分为三类：

• CNN：卷积神经网络，具有强大的归纳偏置和局部建模能力。

• Vision Transformer (ViT)：依赖全局自注意力，建模长程依赖，但计算开销大。

• MLP-Mixer 等 MLP 架构：放弃卷积与注意力，完全依靠 token-mixing MLP 建模。

研究者们发现：这些方法在 block 内部，其实共享了类似的 MetaFormer 框架：

• 一个 Token Mixer（卷积、注意力或 MLP）

• 一个 MLP 层

• 残差连接 + LayerNorm

于是提出一个问题：
👉 是不是 MetaFormer 框架本身才是性能关键，而不一定是复杂的 Token Mixer？

---