YOLOv11 改进入门篇 | 从原理到代码：CBAM 注意力模块的插入与涨点验证

YOLOv11 改进入门篇 | 从原理到代码：CBAM 注意力模块的插入与涨点验证

关键词：YOLOv11、CBAM、注意力机制、PyTorch、mAP 提升、即插即用

---

1. 背景与目标

YOLOv11 在 COCO 上 baseline mAP 已经很高，但在小目标、密集遮挡场景仍显吃力。本文聚焦 CBAM（Convolutional Block Attention Module），给出可落地的插入方案，并验证涨点效果。
阅读收获：

• 掌握 CBAM 通道-空间双重注意力原理
• 拿到可直接粘贴的 PyTorch 代码（含 yaml 配置文件）
• 看到在 COCO 子集上的 mAP 提升 1.7～2.3 的实验结论

---

2. CBAM 原理深度拆解

2.1 整体结构

CBAM 包含 Channel Attention Module（CAM） 与 Spatial Attention Module（SAM） 两个串行子模块，顺序如下：

Input → CAM → SAM → Output

<