YOLOv11改进 | 添加注意力篇 | 适合多种检测场景的BiFormer注意力机制优化yolov11的C2PSA机制（附修改教程）

一、本文介绍

BiFormer是一种结合了Bi-level Routing Attention的视觉Transformer模型，BiFormer模型的核心思想是引入了双层路由注意力机制。在BiFormer中，每个图像块都与一个位置路由器相关联。这些位置路由器根据特定的规则将图像块分配给上层和下层路由器。上层路由器负责捕捉全局上下文信息，而下层路由器则负责捕捉局部区域的细节。

具体来说，上层路由器通过全局自注意力机制对所有图像块进行交互，并生成全局图像表示。下层路由器则使用局部自注意力机制对每个图像块与其邻近的图像块进行交互，并生成局部图像表示。通过这种双层路由注意力机制，BiFormer能够同时捕捉全局和局部的特征信息，从而提高了模型在视觉任务中的性能(最近查看论文，发现最近有好几篇基于Biformer改进的新论文，一个是根据biformer设置了一个模块，另一个是融合了另一个机制)。

Biformer适用检测目标->适合处理大尺度目标、小尺度目标、密集目标和遮挡目标的检测 

  专栏回顾：YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备

---

目录

一、本文介绍

二、Biformer的机制

2.1 Biformer的优劣势

2.2 Biformer的结构

三、Biformer核心代码 

四、添加Biformer注意力机制

 4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

4.2 Biformer的yaml文件和训练截图

4.2.1 Biformer的yaml版本一(推荐)

4.2.2 Biformer的yaml版本二

4.4 Biformer的训练过程截图