YOLOv11涨点改进 | 独家主干改进篇 | CVPR 2024 | YOLOv11利用UniRepLKNet主干，利用大核卷积“看得广而不深”的特性，助力目标检测、图像分类、图像分割有效涨点

一、本文介绍

本文给大家介绍一种利用UniRepLKNet主干优化YOLOv11模型主干网络！本文介绍了UniRepLKNet，一种通用的感知大核卷积神经网络（ConvNet），旨在解决现有大核ConvNet在架构设计上缺乏特异性，以及ConvNet在视觉以外模态的通用感知能力尚未充分探索的问题。

包含9种主干创新改进：'unireplknet_a', 'unireplknet_f', 'unireplknet_p', 'unireplknet_n', 'unireplknet_t', 'unireplknet_s', 'unireplknet_b', 'unireplknet_l', 'unireplknet_xl' ,助力YOLOv11高效涨点，具体怎么使用请看全文。

专栏改进目录：YOLOv11改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进

全新YOLOv11专栏链接：全新YOLOv11创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文

目录

一、本文介绍

二、⭐ UniRepLKNet主干网络介绍

⭐ UniRepLKNet架构设计

UniRepLKNet的核心优势

三、UniRepLKNet主干的核心代码

四、手把手教你添加UniRepLKNet主干网络结构和修改task.py文件

1.首先在ultralytics/nn/newsAddmodules创建一个.py文件

2.在ultralytics/nn/newsAddmodules/__init__.py中引用

3.修改task.py文件 ：在task.py中找到这个参数方法 def parse_model(d, ch, verbose=True):

关键步骤一：

 关键步骤二：

关键步骤三：

 关键步骤四：

五、创建涨点yaml配置文件

🚀创新改进 : yolov11n_UniRepLKNet.yaml

六、更换UniRepLKNet主干，正常运行

二、⭐ UniRepLKNet主干网络介绍

摘要：大卷积核的卷积神经网络 (ConvNets) 近来受到了广泛的研究关注，但有两个未解决的关键问题亟待进一步研究。现有的大卷积核 ConvNets 的架构很大程度上遵循传统 ConvNets 或 transformer 的设计原则，而大卷积核 ConvNets 的架构设计仍有待加强。随着 transformer 在多种模态中占据主导地位，ConvNets 是否在视觉以外的领域也具有强大的通用感知能力仍有待考察。在本文中，我们从两个方面做出了贡献。我们提出了四个用于设计大卷积核 ConvNets 的架构指导方针，其核心是利用大卷积核的基本特性，即它们可以在不增加深度的前提下看得更广。遵循这些指导方针，我们提出的大卷积核 ConvNet 在图像识别方面表现出领先的性能 (ImageNet 准确率为 88.0%，ADE20K 的