YOLOv11低照度增强主干网络PE-YOLO：原理与完整实现教程

购买即可解锁300+YOLO优化文章，并且还有海量深度学习复现项目，价格仅需两杯奶茶的钱，别人有的本专栏也有！

文章目录

• • • **YOLOv11低照度检测革新：将SCINet作为可训练预处理主干的全链路指南**
    • • **一、核心机制：SCINet如何为YOLOv11赋予“夜视仪”能力**
      • **二、实现步骤：将SCINet嵌入YOLOv11架构**
      • **三、性能验证与结论**
  • 代码链接与详细流程

---

YOLOv11低照度检测革新：将SCINet作为可训练预处理主干的全链路指南

一、核心机制：SCINet如何为YOLOv11赋予“夜视仪”能力

传统思路在处理低照度图像时，通常采用独立的图像增强算法（如直方图均衡化、Retinex模型）对输入进行预处理，然后将“增强后”的图像送入检测模型。这种两步法存在致命缺陷：增强过程的目标是让人眼“看着舒服”，而非让检测模型“认得准”，二者目标不一致可能导致关键特征失真。

本方案的革命性在于，将SCINet作为YOLOv11主干网络的一个可训练前端。SCINet（可能是某种基于“采样-卷积-交互”网络的变体）的核心任务是学习一个“图像增强”函数，但这个函数的优化目标，并非人眼主观质量，而是直接由下游YOLOv11的检测损失（分类损失+定位损失）来反向传播指导。

• 工作流程：
  1. 原始低照度图像直接输入模型。
  2. SCINet模块首先对图像进行变换，自适应地提升亮度、抑制噪声、恢复细节。这个过程是动态的，针对不同暗光程度的内容进行调整。