YOLO11改进-Backbone-引入OverLoCK替换YOLO backbone 融合自上而下注意力机制，实现高效的长程依赖建模与局部细节捕捉，同时平衡计算复杂度与性能

最新推荐文章于 2025-07-04 09:38:30 发布

一勺汤

最新推荐文章于 2025-07-04 09:38:30 发布

阅读量1.8k

点赞数 30

CC 4.0 BY-SA版权

分类专栏： YOLOV11魔改文章标签： YOLO 学习 YOLO11 魔改改进自注意力机制 overlock

本文链接：https://blog.youkuaiyun.com/qq_64693987/article/details/147341788

YOLOV11魔改专栏收录该内容

96 篇文章

订阅专栏

人类视觉系统通过自上而下的注意力机制（Top-down Attention）实现高效感知：首先获取场景的整体概览（Overview First），识别显著线索，随后进行精细化局部分析（Look Closely Next）。这种机制通过反馈信号引导视觉处理，提升目标定位和分类的准确性。

现有卷积网络的局限性主流卷积网络（如 ResNet、ConvNeXt）采用层级金字塔结构，通过下采样扩大感受野，但缺乏显式的自上而下语义引导，导致中间层特征难以准确定位目标（如图 2 所示，传统模型在远离分类器的阶段难以正确激活目标区域）。现有动态卷积方法（如 Deformable Conv）虽能建模局部变化，但难以同时捕捉长程依赖和保持局部归纳偏置，在大分辨率输入时性能受限。

上面是原模型，下面是改进模型

1. OverLoCK介绍

OverLoCK 的理论核心是模拟人类视觉系统的自上而下注意力机制（Top-down Attention），提出 *深阶段分解策略（DDS将网络拆分为三个协同子网络：

Base-Net提取中低层特征，Overview-Net通过粗粒度全局建模生成动态语义先验（模拟 “先概览” 过程），Focus-Net在全局先验引导下进行精细化特征感知（模拟 “后精修” 过程）。

结合上下文混合动态卷积（ContMix），通过计算输入特征与全局区域中心的亲和度生成动态卷积核，使每个像素的卷积操作融合全局语义信息，既突破传统卷积的固定核限制以建模长程依赖，又保留局部归纳偏置捕捉细节。

OverLoCK 的结构独特且高效，主要由三个并行的子网络组成，它们相互协作以实现强大的特征提取能力。

输入图像首先进入 Base - Net，该网络负责提取中低层特征，将图像下采样至H/16×W/16分辨率。之后，Base - Net 的输出被分为两条路径。一条路径连接到 Overview - Net，此网络会进一步将特征下采样至H/32×W/32，从而生成全局上下文先验，为后续的特征提取提供全局语义信息。另一条路径则通向 Focus - Net，这是特征提取的关键部分。

Focus - Net 以动态块为核心构建。每个动态块包含 3×3 深度卷积来捕捉局部细节，门控动态空间聚合器（GDSA）结合上下文混合动态卷积（ContMix）和门控机制，有效抑制上下文噪声，同时实现长程依赖建模。此外，还有 ConvFFN 增强特征的非线性表达。在 Focus - Net 中，上下文先验与输入特征通过拼接、门控机制和动态卷积实现特征级与权重级的双重引导。而且，上下文先验在每个块中会不断更新，通过残差连接防止信息稀释，保证了网络能够充分利用全局和局部信息，在多种视觉任务中展现出出色的性能。

2. YOLOv11与OverLoCK的结合

OverLoCK 替换 YOLO 主干时，借人类视觉 “先概览后精修” 机制提升目标定位精度，动态卷积自适应捕捉全局与局部特征，对多尺度目标检测更鲁棒，且纯卷积架构高效易部署，平衡速度与性能。

3. OverLoCK代码部分

视频讲解：

YOLOv8_improve/YOLOv11.md at master · tgf123/YOLOv8_improve · GitHub

YOLOv11模型改进讲解，教您如何替换原有的YOLO11 backbone提升精度_哔哩哔哩_bilibili

用一篇论文教您如何使用YOLOv11改进模块写一篇1、2区论文_哔哩哔哩_bilibili

YOLOv11模型改进讲解，教您如何修改YOLOv11_哔哩哔哩_bilibili

YOLOv11全部代码,现有一百多种改进机制。

4. TOverLoCK引入到YOLOv11中

第一: 将下面的核心代码复制到D:\model\yolov11\ultralytics\change_models路径下，如下图所示。

第二：在task.py中导入包

第三：在YOLOv11\ultralytics\nn\tasks.py中的模型配置部分下面代码

第四：将模型配置文件复制到YOLOV11.YAMY文件中

第五：运行成功

from sympy import false

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld

if __name__=="__main__":

    # 使用自己的YOLOv8.yamy文件搭建模型并加载预训练权重训练模型
    model = YOLO(r"EE:\bilibili\model\YOLOV8_new\ultralytics-main\ultralytics\cfg\models\11\yolo11_overlock_s.yaml")\
        .load(r'E:\Part_time_job_orders\YOLO\YOLOv11\yolo11n.pt')  # build from YAML and transfer weights

    results = model.train(data=r'E:\Part_time_job_orders\YOLO\YOLOv11\ultralytics\cfg\datasets\VOC_my.yaml',
                          epochs=300,
                          imgsz=640,
                          batch=64,
                          # cache = False,
                          # single_cls = False,  # 是否是单类别检测
                          # workers = 0,
                          # resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',
                          amp = True
                          )