YOLOv11涨点改进 | 独家创新-注意力改进篇 | ICIP 2025 | YOLOv11引入EVA高效视觉注意力模块，增强语义上下文和边界细节捕捉，适合各种目标检测、图像分割等CV任务高效涨点

一、本文介绍

🔥本文给大家介绍利用EVA高效视觉注意力模块改进YOLOv11网络模型，能够显著提升模型的目标检测能力。特别是在 复杂场景 和 小物体检测 上表现优异。EVA的优势在于通过扩展感受野、动态调整感受野和增强边界细节，能够让YOLOv11在效率和精度之间实现更好的平衡，从而为实时目标检测提供更强大的支持。

展示部分YOLOv11改进后的网络结构图、供小伙伴自己绘图参考：

🚀 创新改进结构图: yolov11n_EVA.yaml

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、EVA高效视觉注意力模块介绍

2.1 EVA 模块结构图

2.2 EVA高效视觉注意力的作用

2.3 EVA高效视觉注意力的优势

2.4 EVA高效视觉注意力的原理

三、完整核心代码

四、手把手教你配置模块和修改tasks.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ultralytics\nn\tasks.py文件

五、创建涨点yaml配置文件

🚀 创新改进1: yolov11n_C3k2_EVA.yaml

🚀 创新改进2: yolov11n_EVA.yaml

六、正常运行

---

二、EVA高效视觉注意力模块介绍

摘要：实时语义分割面临着设计高效架构的双重挑战：既要捕获大范围的感受野以进行语义理解，又要精细化地提取细节轮廓。视觉变换器（Vision Transformers）能够有效地建模长程依赖关系，但计算开销较大。为了解决这些挑战，我们引入了大卷积核注意力（LKA）机制。我们提出的双边高效视觉注意力网络（BEVANet）通过稀疏分解的大可分离卷积核注意力（SDLSKA）扩展感受野，以捕获上下文信息，并提取视觉和结构特征。综合卷积核选择（CKS）机制动态调整感受野，进一步增强性能。此外，深度大卷积核金字塔池化模块（DLKPPM）通过结合扩张卷积和大卷积核注意力协同工作，丰富上下文特征。双边架构促进了两个分支之间的频繁通信，而边界引导自适应融合（BGAF）模块通过在边界指导下融合空间和语义特征，增强了边界的描绘。BEVANet在实时分割任务中达到了每秒33帧的速度，在Ci