YOLO11 全面笔记：从网络结构到训练、推理解码与源码阅读-平芜编程栈

YOLO11 全面笔记：从网络结构到训练、推理解码与源码阅读

阅读目标：看完这一篇后，能够回答 YOLO11 与 YOLOv8 的核心差异、各模块的作用、Anchor-Free 和 DFL 如何解码检测框、训练阶段如何分配正样本，以及源码应当按照什么顺序阅读。
本文重点介绍 Ultralytics 官方标准目标检测模型yolo11.yaml。实例分割、姿态估计、旋转框检测和分类模型与检测模型共享部分思想，但任务头不同。

0. 一页结论：先建立整体印象

YOLO11 可以理解为：

YOLO11 = YOLOv8 的 Anchor-Free 检测框架 + Backbone 和 Neck 中大量 C2f → C3k2 + Backbone 末端 SPPF 后加入 C2PSA + 重新调整网络深度、宽度和最大通道数

YOLO11 没有推翻 YOLOv8 的检测逻辑。下面这些核心机制仍然保留：

P3、P4、P5 三尺度检测 Anchor-Free：围绕网格参考点预测框 DFL：四条边的分布式回归 分类与回归分支解耦 Task-Aligned Assigner：训练阶段分配正负样本 标准推理流程：置信度筛选 + NMS

最需要牢记的对比：

对比项	YOLOv8	YOLO11
Backbone 主模块	C2f	C3k2
Neck 融合模块	C2f	C3k2
Backbone 末端	SPPF	SPPF → C2PSA
检测尺度	P3、P4、P5	P3、P4、P5
检测方式	Anchor-Free	Anchor-Free
框回归	DFL	DFL
标准推理后处理	NMS	NMS

一个措辞上的小纠正：不要说“主干网格部分换成了 C3k2”。更准确的说法是：

YOLO11 将 Backbone 和 Neck 中大量使用的 C2f 模块替换为 C3k2；网格通常用于描述 Detect Head 中的特征图参考点。

1. YOLO11 是什么？

YOLO11 是 Ultralytics 在 2024 年 9 月发布的一代 YOLO 系列模型。官方支持五类任务：

任务	常见权重文件	输出结果
目标检测	`yolo11n.pt`	水平检测框、类别、分数
实例分割	`yolo11n-seg.pt`	检测框、类别、实例掩膜
图像分类	`yolo11n-cls.pt`	整张图像的类别
姿态估计	`yolo11n-pose.pt`	关键点及其置信度
旋转框检测	`yolo11n-obb.pt`	带角度的旋转框

官方提供n、s、m、l、x五种规模。它们共享同一套整体骨架，但使用不同的深度、宽度和最大通道数配置。

需要注意：Ultralytics 没有为 YOLO11 单独发布正式研究论文。因此，学习 YOLO11 时，官方文档、官方 YAML 和源码比网上二次整理图更可靠。

2. 学习前需要掌握的基础词汇

2.1 Backbone、Neck 和 Detect Head

目标检测网络通常可以拆成三个部分：

输入图片 ↓ Backbone：提取不同层级的视觉特征 ↓ Neck：融合浅层细节和深层语义 ↓ Detect Head：预测类别和边界框

Backbone 类似“视觉特征提取器”。浅层更容易捕获颜色、边缘和纹理；深层更容易理解目标整体结构和语义。

Neck 类似“信息交换枢纽”。它把高层语义传给浅层，也把浅层定位信息重新传回深层。

Detect Head 是最终预测模块。它接收 P3、P4、P5 三个尺度的融合特征，输出分类信息和边界框信息。

2.2 特征图、Stride 和 P3/P4/P5

假设输入图片为640 × 640：

特征层	Stride	特征图尺寸	位置数量	更擅长处理
P3	8	80 × 80	6400	小目标
P4	16	40 × 40	1600	中等目标
P5	32	20 × 20	400	较大目标

总参考点数量为：

80 × 80 + 40 × 40 + 20 × 20 = 8400

Stride 为 8 表示：特征图上相邻位置在输入图尺度上大约相隔 8 个像素。

3. YOLO11 总体网络结构图

假设输入尺寸为640 × 640 × 3，标准检测模型的数据流如下：

YOLO11 输入图片 640 × 640 × 3 │ ▼ ┌────────────────────────── Backbone ──────────────────────────┐ │ │ │ Conv, stride=2 → P1/2 │ │ 320 × 320 │ │ │ │ │ Conv, stride=2 → P2/4 │ │ 160 × 160 │ │ │ │ │ C3k2 │ │ │ │ │ Conv, stride=2 → P3/8 │ │ 80 × 80 ──────────────────────────────────────────┐ │ │ │ │ │ │ C3k2 │ │ │ │ │ │ │ Conv, stride=2 → P4/16 │ │ │ 40 × 40 ───────────────────────────────┐ │ │ │ │ │ │ │ │ C3k2 │ │ │ │ │ │ │ │ │ Conv, stride=2 │ → P5/32 │ │ │ 20 × 20 │ │ │ │ │ │ │ │ │ C3k2 │ │ │ │ │ │ │ │ │ SPPF │ │ │ │ │ │ │ │ │ C2PSA │ │ │ └────────┼───────────────────────────────┼───────────┼──────────┘ │ │ │ ▼ │ │ ┌──────────────────────────── Neck ─────────────────────────────┐ │ │ │ 深层 P5 │ │ │ │ │ ├─ Upsample │ │ ▼ │ │ 40 × 40 ── Concat ◄──────────────── Backbone P4 │ │ │ │ │ C3k2 │ │ │ │ │ ├─ Upsample │ │ ▼ │ │ 80 × 80 ── Concat ◄──────────────── Backbone P3 │ │ │ │ │ C3k2 ─────────────────────────────────────────────► 输出 P3 │ │ │ │ │ ├─ Conv, stride=2 │ │ ▼ │ │ 40 × 40 ── Concat ◄──────────────── 中间融合特征 │ │ │ │ │ C3k2 ─────────────────────────────────────────────► 输出 P4 │ │ │ │ │ ├─ Conv, stride=2 │ │ ▼ │ │ 20 × 20 ── Concat ◄──────────────── C2PSA 深层特征 │ │ │ │ │ C3k2 ─────────────────────────────────────────────► 输出 P5 │ └───┬──────────────────────────────────────────────────────────┘ │ ▼ Detect(P3, P4, P5) │ ▼ 边界框分布 + 类别分数 │ ▼ DFL 解码 → 置信度筛选 → NMS │ ▼ 最终检测结果

概念上分为 Backbone、Neck 和 Detect Head。但在 Ultralytics 的 YAML 文件中，head:部分同时包含 Neck 的特征融合层和最后的Detect层。

4. 如何阅读`yolo11.yaml`

标准 YAML 中每一行通常采用下面的结构：

[from,repeats,module,args]

含义如下：

字段	含义	示例
`from`	输入来自哪一层	`-1`表示上一层，`[-1, 6]`表示将上一层和第 6 层共同作为输入
`repeats`	模块基础重复次数	`[ -1, 2, C3k2, ... ]`
`module`	模块类型	`Conv`、`C3k2`、`SPPF`、`C2PSA`、`Concat`、`Detect`
`args`	模块参数	输出通道数、卷积核大小、步长等

官方标准结构的核心可以概括为：

backbone:-Conv-Conv-C3k2-Conv# P3/8-C3k2-Conv# P4/16-C3k2-Conv# P5/32-C3k2-SPPF-C2PSAhead:-Upsample-Concat# 融合 Backbone P4-C3k2-Upsample-Concat# 融合 Backbone P3-C3k2# 输出 P3-Conv# 下采样-Concat-C3k2# 输出 P4-Conv# 下采样-Concat-C3k2# 输出 P5-Detect# Detect(P3, P4, P5)

4.1 模型缩放参数

官方 YAML 为五个规模配置了不同缩放参数：

模型	depth	width	max_channels
YOLO11n	0.50	0.25	1024
YOLO11s	0.50	0.50	1024
YOLO11m	0.50	1.00	512
YOLO11l	1.00	1.00	512
YOLO11x	1.00	1.50	512

可以这样理解：

depth：控制模块重复次数 width：控制通道数 max_channels：限制最大通道数

同一套 YAML 会根据规模参数生成不同大小的网络。

5. 以 YOLO11n 为例，逐层看尺寸变化

下面的通道数按照官方 YAML 与YOLO11n的width=0.25推导。输入图片假设为640 × 640。

层号	模块	输入来源	输出尺寸	作用
0	Conv	输入图像	320 × 320 × 16	第一次下采样
1	Conv	0	160 × 160 × 32	第二次下采样
2	C3k2	1	160 × 160 × 64	提取浅层特征
3	Conv	2	80 × 80 × 64	下采样至 P3 尺度
4	C3k2	3	80 × 80 × 128	保存 Backbone P3 特征
5	Conv	4	40 × 40 × 128	下采样至 P4 尺度
6	C3k2	5	40 × 40 × 128	保存 Backbone P4 特征
7	Conv	6	20 × 20 × 256	下采样至 P5 尺度
8	C3k2	7	20 × 20 × 256	深层特征提取
9	SPPF	8	20 × 20 × 256	扩大感受野
10	C2PSA	9	20 × 20 × 256	强化重要区域和全局关系
11	Upsample	10	40 × 40 × 256	上采样
12	Concat	11 + 6	40 × 40 × 384	拼接 Backbone P4
13	C3k2	12	40 × 40 × 128	融合 P4
14	Upsample	13	80 × 80 × 128	上采样
15	Concat	14 + 4	80 × 80 × 256	拼接 Backbone P3
16	C3k2	15	80 × 80 × 64	最终 P3，小目标尺度
17	Conv	16	40 × 40 × 64	下采样
18	Concat	17 + 13	40 × 40 × 192	拼接中层特征
19	C3k2	18	40 × 40 × 128	最终 P4，中目标尺度
20	Conv	19	20 × 20 × 128	下采样
21	Concat	20 + 10	20 × 20 × 384	拼接深层特征
22	C3k2	21	20 × 20 × 256	最终 P5，大目标尺度
23	Detect	16 + 19 + 22	P3 + P4 + P5	预测类别和边界框

不同规模模型的通道数和模块重复次数不同，但 P3、P4、P5 的空间尺度关系相同。

6. Backbone 模块详解

6.1 Conv：卷积、归一化和激活

YOLO 中的Conv通常不只是一次裸卷积，而是一个组合模块。它负责：

提取局部特征 + 调整通道数 + 在 stride=2 时完成下采样

每次 stride=2 后，特征图宽高大约减半，通道数通常增加。这样网络逐步把高分辨率图像压缩成更抽象的语义表示。

6.2 先回忆 YOLOv8 的 C2f

C2f 延续 CSP 思想。核心逻辑是：

输入特征 ↓ 卷积并拆分通道 ├───────────────┐ │ │ ▼ ▼ 保留部分特征 经过 Bottleneck 逐步加工 │ │ └──────┬────────┘ ▼ Concat │ ▼ 卷积融合

它让一部分特征快速传递，另一部分特征进行更深入计算，在表达能力和计算成本之间取得平衡。

6.3 YOLO11 的 C3k2

YOLO11 大量使用C3k2。从官方源码看，C3k2继承自C2f，仍然保留“拆分—加工—拼接—融合”的总体框架，但重写了内部模块组合方式。

可以简化理解为：

输入 x │ ▼ 卷积并拆分 ├─────────────────┐ │ │ ▼ ▼ 快捷传递分支 深层加工分支 │ ├─ 普通 Bottleneck │ 或 └─ C3k 模块 │ │ └────────┬────────┘ ▼ Concat │ ▼ 卷积融合

标准yolo11.yaml中可以看到：

C3k2,[256,False,0.25]C3k2,[512,False,0.25]C3k2,[512,True]C3k2,[1024,True]

这里的True或False主要控制内部是否使用C3k路径。浅层通常偏轻量，深层允许使用更充分的特征提取结构。

常见误区：`k2`不是 2 × 2 卷积核

C3k2不能机械理解为“使用 2 × 2 卷积核”。官方源码中，它是一个继承C2f的复合模块名称。重点在内部组合方式，而不是简单更换卷积核尺寸。

6.4 SPPF：低成本扩大感受野

SPPF 位于 Backbone 后部。它通过连续最大池化与特征拼接，让网络以较低开销汇集不同范围的信息。

深层输入 ├─ 原始特征 ├─ 池化一次 ├─ 池化两次 └─ 池化三次 ↓ Concat ↓ 卷积融合

直觉上，网络不仅看到某个局部纹理，还能同时看到更大范围的上下文。

6.5 C2PSA：深层注意力模块

YOLO11 在 SPPF 后增加C2PSA：

C3k2 → SPPF → C2PSA → Neck

C2PSA 会先将特征拆成两个分支：

输入特征 │ ▼ 1 × 1 Conv │ ▼ 按通道拆分 ├──────────────────────┐ │ │ ▼ ▼ 分支 A：直接保留 分支 B：多个 PSABlock │ ├─ Attention └─ FFN │ │ └───────────┬──────────┘ ▼ Concat │ ▼ 1 × 1 Conv │ ▼ 输出

PSABlock 内部包含注意力模块和前馈网络，并使用残差连接。注意力部分会生成 Q、K、V，计算不同空间位置之间的相关性，并加入位置编码相关卷积。

为什么把 C2PSA 放在深层？假设输入为640 × 640，P5 特征图通常只有20 × 20。在低分辨率特征图上建模全局关系，成本比在浅层高分辨率特征图上做注意力更可控。

7. Neck：为什么要多尺度融合？

仅靠 Backbone 不够。浅层和深层特征各有优缺点：

特征层级	优势	不足
浅层	空间细节丰富，定位更精细	语义较弱
深层	语义更强，容易识别目标整体	空间分辨率较低

YOLO11 的 Neck 采用类似 FPN + PAN 的双向融合路径。

7.1 自顶向下：把深层语义传给浅层

深层 P5 ↓ Upsample 与 Backbone P4 拼接 ↓ C3k2 融合 P4 ↓ Upsample 与 Backbone P3 拼接 ↓ C3k2 最终 P3

7.2 自底向上：把定位信息重新传回深层

最终 P3 ↓ stride=2 Conv 与中间 P4 拼接 ↓ C3k2 最终 P4 ↓ stride=2 Conv 与深层 P5 拼接 ↓ C3k2 最终 P5

最后得到：

P3：更适合小目标 P4：兼顾语义和细节 P5：更适合较大目标

8. Detect Head：YOLO11 如何预测边界框？

8.1 Anchor-Free 到底是什么意思？

YOLOv5 是 Anchor-Based。每个网格位置会关联若干预先设定的 Anchor 宽高模板，网络再预测相对于模板的偏移量。

YOLO11 与 YOLOv8 类似，采用 Anchor-Free 思路。它不依赖预设 Anchor 框宽高，而是围绕特征图上的参考点预测四条边距离：

左边距离：l 上边距离：t 右边距离：r 下边距离：b

参考点坐标为(cx, cy)时：

x1 = cx - l y1 = cy - t x2 = cx + r y2 = cy + b

源码中仍然会出现make_anchors、anchor_points等命名，但这些是网格参考点，不是 YOLOv5 那种预设 Anchor 框模板。

8.2 参考点位于哪里？

官方源码使用grid_cell_offset=0.5生成参考点，即参考点位于每个网格单元的中心附近：

0.5, 1.5, 2.5, 3.5, ...

在不同尺度上解码后，还需要乘以相应 stride，映射回输入图尺度。

8.3 每个位置输出多少个数？

当前标准 Detect Head 默认：

reg_max = 16 输出通道数 = nc + 4 × reg_max

其中：

nc：类别数量 4：左、上、右、下四条边 16：每条边的离散分布桶数量

对于 COCO 的 80 类检测：

4 × 16 + 80 = 144

每个参考点输出 144 个数。

对于自定义 3 类任务：

4 × 16 + 3 = 67

每个参考点输出 67 个数。

8.4 YOLO11 是否单独预测 Objectness？

标准 YOLO11 Detect Head 的输出通道公式是：

nc + 4 × reg_max

不是：

1 + nc + 4 × reg_max

因此，它没有 YOLOv5 风格的独立 Objectness 输出通道。推理时，分类分支经过 Sigmoid 得到类别分数，再进行阈值筛选和后处理。

9. DFL：为什么每条边要预测 16 个数？

DFL 即 Distribution Focal Loss 相关的分布式回归思路。

传统方式可能直接回归：

l = 4.05

DFL 不直接输出单一浮点数，而是预测多个离散位置的概率分布。例如左边距离的部分概率为：

离散位置	概率
3	0.15
4	0.65
5	0.20

最终通过期望值恢复连续距离：

l = 3 × 0.15 + 4 × 0.65 + 5 × 0.20 = 4.05

这样既保留离散分类形式的稳定性，又能得到连续值。

9.1 为什么默认是 16？

这是表达能力和计算成本之间的工程折中：

`reg_max`	回归输出通道数	特点
8	4 × 8 = 32	更轻量，但表达能力较弱
16	4 × 16 = 64	官方默认折中
32	4 × 32 = 128	表达能力更强，但计算量、显存和输出通道更多

16不是数学上的唯一正确答案，而是实用默认值。

10. YOLO11 训练阶段完整流程

可以把训练过程拆成六步：

读取图片和标签 ↓ 数据增强与预处理 ↓ Backbone + Neck + Detect 前向传播 ↓ 生成不同尺度上的参考点 ↓ Task-Aligned Assigner 分配正负样本 ↓ 计算 Box、Cls、DFL 损失 ↓ 反向传播更新参数

10.1 数据增强

Ultralytics 训练管线支持 Mosaic、MixUp、随机透视变换、颜色调整等增强方式。实际项目中需要根据任务特征控制增强强度。例如医学图像中，过度颜色扰动、翻转或形变可能破坏业务语义。

10.2 Task-Aligned Assigner

一张640 × 640输入图上有 8400 个参考点。训练时需要判断：哪些位置负责学习某个真实目标？

Task-Aligned Assigner 不只是看参考点是否落入真实框，而是综合分类预测质量和定位质量，挑选更合适的正样本。

直觉上：

候选点很多 ↓ 优先选择： 分类更像目标 并且 预测框位置更准确 的参考点 ↓ 作为正样本参与训练

10.3 三类主要损失

YOLO11 标准检测训练主要计算：

损失项	作用
Box Loss	让预测框与真实框更接近，包含 IoU 类定位损失
Classification Loss	让类别预测更准确，当前实现使用 BCE
DFL Loss	让四条边的距离分布更合理

最终损失按超参数权重加权，再反向传播。

10.4 为什么源码里仍然能看到`v8DetectionLoss`？

YOLO11 标准检测模型仍然复用了成熟的检测损失框架，因此源码类名中可能保留v8DetectionLoss。这不代表加载的是 YOLOv8。

工程源码中，类名经常为了兼容性和复用而保留。判断实际模型时，应结合 YAML、模型构建逻辑和运行配置。

11. YOLO11 推理阶段完整流程

标准推理可以拆成以下步骤：

输入图片 ↓ 缩放、填充、归一化等预处理 ↓ Backbone 提取多层特征 ↓ Neck 融合 P3、P4、P5 ↓ Detect Head 输出边界框分布和类别分数 ↓ DFL：将每条边的离散分布转换为连续距离 ↓ 结合参考点和 stride 解码边界框 ↓ 分类 Logits 经过 Sigmoid ↓ 置信度筛选 ↓ NMS 去除重复框 ↓ 恢复到原始图像坐标

11.1 为什么需要 NMS？

同一个真实目标附近通常会有多个参考点输出高分候选框。例如一只猫附近可能有：

框 A：0.93 框 B：0.88 框 C：0.84

这些框高度重叠。NMS 会优先保留高分框，并根据 IoU 重叠程度抑制重复预测。

11.2 标准 YOLO11 是不是 NMS-Free？

不是。当前通用 Detect 实现中可以看到可选的端到端模式，但标准yolo11.yaml调用 Detect 时没有开启该选项。因此，学习标准 YOLO11 检测模型时，应按经典 NMS 后处理流程理解。

12. YOLO11 和 YOLOv8 的详细对比

12.1 结构对比

对比项	YOLOv8	YOLO11	影响
Backbone 主模块	C2f	C3k2	改进特征提取效率与灵活性
Neck 主模块	C2f	C3k2	改进多尺度融合阶段的特征加工
Backbone 末端	SPPF	SPPF → C2PSA	增强深层注意力与全局关系建模
检测尺度	P3、P4、P5	P3、P4、P5	保持多尺度检测能力
Anchor 框模板	不使用	不使用	均为 Anchor-Free
边框表达	l、t、r、b + DFL	l、t、r、b + DFL	基本延续
正负样本分配	Task-Aligned	Task-Aligned	基本延续
标准后处理	NMS	NMS	基本延续

12.2 Backbone 并排图

YOLOv8 Backbone YOLO11 Backbone 输入 输入 │ │ ▼ ▼ Conv Conv │ │ ▼ ▼ Conv Conv │ │ ▼ ▼ C2f C3k2 │ │ ▼ ▼ Conv Conv │ │ ▼ ▼ C2f C3k2 │ │ ▼ ▼ Conv Conv │ │ ▼ ▼ C2f C3k2 │ │ ▼ ▼ Conv Conv │ │ ▼ ▼ C2f C3k2 │ │ ▼ ▼ SPPF SPPF │ ▼ C2PSA

12.3 Neck 并排图

YOLOv8 Neck YOLO11 Neck Upsample Upsample │ │ Concat Concat │ │ C2f C3k2 │ │ Upsample Upsample │ │ Concat Concat │ │ C2f C3k2 │ │ Conv Conv │ │ Concat Concat │ │ C2f C3k2 │ │ Conv Conv │ │ Concat Concat │ │ C2f C3k2

12.4 官方 COCO 检测基准

模型	YOLO11 mAP50-95	YOLOv8 mAP50-95	YOLO11 参数量	YOLOv8 参数量	YOLO11 FLOPs	YOLOv8 FLOPs
n	39.5	37.3	2.6M	3.2M	6.5B	8.7B
s	47.0	44.9	9.4M	11.2M	21.5B	28.6B
m	51.5	50.2	20.1M	25.9M	68.0B	78.9B
l	53.4	52.9	25.3M	43.7M	86.9B	165.2B
x	54.7	53.9	56.9M	68.2M	194.9B	257.8B

这些结果说明 YOLO11 的优化方向不是简单堆叠更大的网络，而是在更少参数和计算量下提升精度。

13. YOLO11 不同规模如何选择？

官方标准检测模型基准如下：

模型	mAP50-95	参数量	FLOPs	T4 TensorRT10 推理耗时
YOLO11n	39.5	2.6M	6.5B	1.5 ms
YOLO11s	47.0	9.4M	21.5B	2.5 ms
YOLO11m	51.5	20.1M	68.0B	4.7 ms
YOLO11l	53.4	25.3M	86.9B	6.2 ms
YOLO11x	54.7	56.9M	194.9B	11.3 ms

实际选择建议：

场景	建议起点
快速验证、边缘设备、CPU 或弱算力设备	YOLO11n
大多数项目的初始精度与速度平衡	YOLO11s
GPU 服务端、希望进一步提高精度	YOLO11m
算力较充足且精度优先	YOLO11l
研究、高算力环境或精度压榨	YOLO11x

真实部署速度还会受到输入分辨率、Batch Size、硬件、导出格式、预处理和后处理实现影响。官方延迟只能作为基准参考。

14. 自定义数据集与训练示例

14.1 检测标签格式

常见 YOLO 检测标签文件中，每一行为：

class_id x_center y_center width height

其中坐标通常归一化到0～1。

示例：

0 0.512 0.486 0.320 0.275

14.2 数据集 YAML

path:/path/to/datasettrain:images/trainval:images/valnames:0:tongue1:sublingual2:invalid

14.3 Python 训练、验证与推理

fromultralyticsimportYOLO# 加载 COCO 预训练权重model=YOLO("yolo11n.pt")# 训练model.train(data="dataset.yaml",epochs=100,imgsz=640,)# 验证metrics=model.val()print(metrics.box.map)# mAP50-95# 推理results=model("test.jpg")# 查看模型摘要model.info()# 查看 PyTorch 网络结构print(model.model)

14.4 导出 ONNX

fromultralyticsimportYOLO model=YOLO("best.pt")model.export(format="onnx")

实际部署时，还可以根据平台选择 TensorRT、OpenVINO、TFLite 等格式。导出后仍需验证数值一致性、后处理正确性和真实端到端性能。

15. 常见误区集中纠正

常见误区	正确理解
YOLO11 只替换了 Backbone 的 C2f	不完整。Backbone 和 Neck 中大量 C2f 都换成了 C3k2
`C3k2`表示 2 × 2 卷积核	错。它是复合模块名称，不应机械按卷积核尺寸理解
Anchor-Free 意味着源码里完全没有 anchor 字样	错。源码仍有`anchor_points`，但它们是网格参考点，不是预设 Anchor 框模板
YOLO11 仍然有 YOLOv5 那样独立 Objectness 输出	标准 Detect Head 没有单独 Objectness 通道
C2PSA 分布在所有特征层	标准 YOLO11 中，它位于 Backbone 末端 SPPF 后
YOLO11 完全重新设计了 Detect Head	不准确。核心 Anchor-Free、DFL 和 P3/P4/P5 检测逻辑基本延续 YOLOv8
标准 YOLO11 是 NMS-Free	错。标准`yolo11.yaml`仍按经典 NMS 流程理解
YOLO11 有官方正式论文	官方文档明确说明没有单独正式论文，应以官方文档和源码为准

16. 源码阅读顺序

推荐按下面顺序阅读，不要一上来钻进全部源码：

1. ultralytics/cfg/models/11/yolo11.yaml ↓ 2. ultralytics/nn/modules/block.py 重点：C3k2、C3k、SPPF、C2PSA、PSABlock、Attention ↓ 3. ultralytics/nn/modules/head.py 重点：Detect、DFL、解码逻辑 ↓ 4. ultralytics/utils/tal.py 重点：make_anchors、dist2bbox、TaskAlignedAssigner ↓ 5. ultralytics/utils/loss.py 重点：v8DetectionLoss、BboxLoss、DFLoss ↓ 6. ultralytics/nn/tasks.py 重点：模型构建、损失函数初始化

阅读时始终围绕三个问题：

张量尺寸怎样变化？ 特征来自哪一层？ 这一模块解决了什么问题？

17. 最终速记卡

17.1 网络结构速记

YOLO11 = YOLOv8 检测逻辑 + Backbone / Neck：C2f → C3k2 + Backbone 末端：SPPF → SPPF + C2PSA

17.2 检测头速记

输入：P3、P4、P5 参考点数：80² + 40² + 20² = 8400（输入 640 时） 每个点回归：l、t、r、b 每条边：16 个分布值 每个点输出：4 × 16 + nc 标准 Head：没有独立 Objectness 通道

17.3 训练速记

前向传播 → 生成参考点 → Task-Aligned Assigner 分配正样本 → Box Loss + Classification Loss + DFL Loss → 反向传播

17.4 推理速记

预处理 → Backbone → Neck → Detect → DFL 解码 → 参考点 + stride 恢复框 → Sigmoid 类别分数 → 置信度筛选 → NMS → 输出结果

18. 官方资料索引

以下资料适合作为后续查阅入口：

YOLO11 官方模型说明：https://docs.ultralytics.com/models/yolo11/
YOLO11 官方 YAML：https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/models/11/yolo11.yaml
YOLOv8 官方 YAML：https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/models/v8/yolov8.yaml
YOLO11 与 YOLOv8 官方对比：https://docs.ultralytics.com/compare/yolo11-vs-yolov8/
Block 模块参考：https://docs.ultralytics.com/reference/nn/modules/block/
Detect Head 参考：https://docs.ultralytics.com/reference/nn/modules/head/
Task-Aligned Assigner 与参考点工具：https://docs.ultralytics.com/reference/utils/tal/
损失函数参考：https://docs.ultralytics.com/reference/utils/loss/
导出模式：https://docs.ultralytics.com/modes/export/