YOLOv13改进策略【Head】| AFPN渐进式自适应特征金字塔，增加针对小目标的检测头（附模块详解和完整配置步骤）

一、本文介绍

本文利用AFPN对YOLOv13的网络模型进行优化提升。AFPN采用渐近式融合及自适应空间融合操作。通过渐近式架构，逐步整合不同层级特征，有效避免非相邻层级间因语义差距过大导致的信息丢失或降级问题，确保在多尺度特征融合过程中既能保留高层语义信息，又能融入低层细节特征。本文将AFPN应用于YOLOv13中，并配置了针对小目标的检测头，能显著增强模型对不同尺度目标的检测能力，使其在复杂场景下更聚焦于目标物体特征，减少背景等无关信息的影响。

---

专栏目录：YOLOv13改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

专栏地址：YOLOv13改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

---

二、AFPN介绍

AFPN: Asymptotic Feature Pyramid Network for Object Detection

2.1 设计出发点

在目标检测中，物体尺寸不确定，单尺度特征提取会丢失信息，因此常用特征金字塔架构。但传统如FPN等方法在融合非相邻层特征时，高层特征语义信息或低层特征细节信息会在传播和交互中丢失或降级。

例如，高层特征需经多层中间尺度传播和交互后与底层低层级特征融合，过程中语义信息易受损，PAFPN的自底向上路径也会使低层级特征细节丢失。此外，像GraphFPN虽解决非相邻层直接交互问题，但引入的图神经网络增加大量参数和计算量。

为克服这些局限，AFPN应运而生。

2.2 结构原理

• 多层特征提取
  • 遵循Faster R - CNN框架，从骨干网络各特征层提取最后一层特征，得到不同尺度的特征集 C 2 , C 3 , C 4 , C 5 {C_{2}, C_{3}, C_{4