YOLOv11 网络结构详解：一文看懂 Backbone、Head、C3k2、SPPF 和 Detect 检测头

YOLOv11 网络结构详解：一文看懂 Backbone、Head、C3k2、SPPF 和 Detect 检测头

前言

在使用 YOLOv11 进行目标检测时，我们经常会接触到 yolo11.yaml 或 yolo11n.yaml 这样的模型配置文件。

很多初学者第一次看到这些配置时，可能会有几个疑问：

• backbone 和 head 分别是什么意思？
• Conv、C3k2、SPPF、C2PSA 这些模块分别起什么作用？
• P3/8、P4/16、P5/32 代表什么？
• 为什么最后 Detect 要同时接收 3 个不同尺度的特征图？
• YOLOv11n、YOLOv11s、YOLOv11m、YOLOv11l、YOLOv11x 的区别在哪里？

本文就结合 YOLOv11 的 yaml 配置文件，从网络结构的角度对 YOLOv11 进行拆解，帮助大家理解模型是如何完成目标检测的。

1. YOLOv11 的整体结构

YOLOv11 的目标检测网络整体可以分为三个主要部分：

1. Backbone：主干特征提取网络
2. Head：多尺度特征融合网络
3. Detect：检测头，输出最终预测结果

简单来说，YOLOv11 的数据流向可以理解为：

输入图像
   ↓
Backbone 提取多层特征
   ↓
Head 融合不同尺度特征
   ↓
Detect 在 P3、P4、P5 三个尺度上进行检测
   ↓
输出目标类别、位置和置信度

其中，Backbone 负责从图像中提取特征，Head 负责融合不同层次的特征，Detect 则负责根据融合后的特征图输出检测结果。

需要注意的是，在 Ultralytics 的 yaml 配置中，head 部分不仅包含最终的检测头，也包含了常说的 Neck，也就是多尺度特征融合部分。

2. YOLOv11 的 yaml 文件怎么看？

在 YOLOv11 的 yaml 文件中，每一层通常采用下面这种格式：

[from, repeats, module, args]

例如：

- [-1, 1, Conv, [64, 3, 2]]

这四个部分分别表示：

以上面这一行为例：

- [-1, 1, Conv, [64, 3, 2]]

它的含义是：

• -1：输入来自上一层；
• 1：该模块重复 1 次；
• Conv：使用卷积模块；
• [64, 3, 2]：输出通道数为 64，卷积核大小为 3，步长为 2。

由于步长为 2，因此这一层会对输入特征图进行下采样，使特征图的高和宽变为原来的一半。

3. scales：YOLOv11n、s、m、l、x 的区别

YOLOv11 的配置文件中有这样一部分：

scales:
  n: [0.50, 0.25, 1024]
  s: [0.50, 0.50, 1024]
  m: [0.50, 1.00, 512]
  l: [1.00, 1.00, 512]
  x: [1.00, 1.50, 512]

这里的 n、s、m、l、x 分别对应不同规模的模型：

• YOLOv11n
• YOLOv11s
• YOLOv11m
• YOLOv11l
• YOLOv11x

它们不是完全不同的五套网络结构，而是在同一个基础结构上，通过深度和宽度缩放得到的不同模型。

其中：

[depth, width, max_channels]

分别表示：

一般来说：

• YOLOv11n 参数量最小，速度最快，适合轻量化部署；
• YOLOv11s 在速度和精度之间比较均衡；
• YOLOv11m、YOLOv11l、YOLOv11x 模型更大，表达能力更强，但计算量和显存占用也更高。

因此，在实际项目中，并不是模型越大越好。

如果部署在边缘设备、嵌入式设备，或者对实时性要求比较高，可以优先考虑 YOLOv11n 或 YOLOv11s。

如果更关注检测精度，并且算力比较充足，可以尝试 YOLOv11m、YOLOv11l 或 YOLOv11x。

4. Backbone：主干特征提取网络

YOLOv11 的 Backbone 配置如下：

backbone:
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 2, C3k2, [256, False, 0.25]]</