YOLOv11涨点改进 | YOLO联合Mamba火热发论文改进篇 | CVPR 2025 | 引入EfficientViM 新型轻量级视觉Mamba，高效捕捉全局依赖，含二次创新、适合目标检测任务

一、本文介绍

本文给大家介绍EfficientViM新型轻量级视觉Mamba优化YOLOv11模型！“不需要安装mamba环境也可以运行！”。EfficientViM 模块通过减少计算复杂度、优化内存使用、提升目标检测精度和加速推理，显著改进了 YOLOv11 在目标检测中的表现。适应各种目标检测场景，特别是在实时检测任务中。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-发论文改进专栏链接：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

本文目录

一、本文介绍

二、EfficientViM 模块介绍

2.1 网络结构图

2.2 EfficientViM模块的作用

2.3 EfficientViM 模块的原理

1. Hidden State Mixer (HSM)

2. State Space Duality (SSD)

3. 内存瓶颈缓解设计

4. 特征压缩与多阶段融合

5. 高效的推理和训练

2.4 EfficientViM模块的优势

​ 三、完整核心代码

 四、手把手教你配置模块和修改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

五、创建涨点yaml配置文件

🚀 创新改进1 :

🚀 创新改进2 :

六、正常运行

🚀 创新改进1 : 正常运行

🚀 创新改进2 : 正常运行

二、EfficientViM 模块介绍

摘要：为了在资源受限的环境中部署神经网络，先前的工作构建了轻量级架构，利用卷积和注意力机制分别捕获局部和全局依赖关系。最近，状态空间模型 (state space model, SSM) 已经成为一种有效的全局交互操作，其优势在于在 tokens 数量上具有良好的线性计算成本。为了利用 SSM 的有效性，我们引入了 Efficient Vision Mamba (EfficientViM)，这是一种基于 hidden state mixer-based state space duality (HSM-SSD) 的新型架构，它能有效地捕获全局依赖关系，并进一步降低计算成本。通过观察到 SSD 层的运行时间受输入序列上的线性投影驱动，我们重新设计了原始的 SSD 层，以在 HSM-SSD 层中的压缩隐藏状态内执行通道混合 (channel mixing) 操作。此外，我们提出了多阶段隐藏状态融合 (multi-stage hidden state fusion) ，以增强隐藏状态的表示能力，并提供设计来缓解由内存限制操作引起的瓶颈。因此，EfficientViM 系列在 ImageNet-1k 上实现了新的最先进的速度-精度