简介面向目标检测算法研究与工程落地的技术开发者这是一份系统讲解LSKA大核注意力机制与YOLOv11检测头融合优化的PDF文档。文档从目标检测技术演进切入先剖析YOLOv11检测头的结构特点与性能瓶颈再详解LSKA大核注意力机制的原理与优势并重点阐述两者融合的动机、模块设计、训练配置及性能评估方法最后给出包含模型结构、数据处理、训练策略在内的完整优化流程。尤其针对复杂场景下小目标、密集目标和遮挡目标的检测问题提供了实验对比与结果分析。资源为单个PDF共21页整体压缩包约1.64MB支持目录章节跳转及阅读器大纲快速定位排版清晰便于按章节查阅。已有180人学习过这份资料适合希望在不显著增加计算量的前提下提升YOLOv11检测精度、或需要参考检测头优化完整流程的读者作为技术手册。1. LSKA大核注意力机制是什么为什么偏偏要改YOLOv11的检测头做目标检测的应该都有这种体验模型在通用场景跑得好好的一到小目标密集、目标被遮挡、或者物体和背景长得像的场景mAP就开始往下掉。你翻YOLOv11的网络结构图骨干和颈部都改过好几轮了可检测头还是老一套——几个卷积做分类和回归特征图里该有的上下文线索没有充分利用。这就是LSKA大核注意力机制进YOLOv11检测头最直接的动机在预测之前用更大的感受野把目标周围的上下文重新校准一遍。这套流程真正解决的是“检测头只认局部纹理、不认全局关系”的问题。LSKA把传统大核注意力拆成横向和纵向两组卷积让模型能低成本看到更大的区域同时不会把参数量和显存拖到不可接受。适合谁看两类人一类是正在做小目标优化、想改YOLOv11网络结构的工程师另一类是初学检测头结构、想搞懂注意力模块怎么插进Ultralytics框架的纯小白。需要提醒的是LSKA不是加进去就一定涨点位置、核大小、膨胀系数三个参数调不对翻车概率比收益大得多。下面我把每一步拆开讲。2. LSKA的原理与选型大核为什么拆成两条线参数怎么定2.1 从“大核”到“可分离核”感受野、参数量和计算量的关系注意力机制的本质是让网络学会“看哪里”。普通卷积关注的是局部窗口而大核注意力LKA直接用几十乘几十的卷积核去覆盖大范围区域等于把“注意力”和“大感受野”合在一起。问题是31×31的卷积核即使做成深度可分离卷积计算量依然是31×31×C级别的乘加操作在YOLOv11这种实时检测模型里很难接受。LSKA的做法很朴素把一个大核分解成两次一维卷积先纵向扫一遍再横向扫一遍等价感受野不变计算量从O(k²)降到O(2k)。对检测头来说这条性质尤其关键。YOLOv11的检测头虽然结构精简但P3、P4、P5三个尺度的特征图都要经过独立的卷积分支如果在每个分支后面都挂一个普通大核卷积显存会涨得非常明显。LSKA的深度卷积实现通常配合groupsdepth的设定让每个通道独立做空间注意力再进行跨通道融合整体开销远小于自注意力。下面这张表给出的是不同kernel size与dilation组合下的等效感受野是选参的第一步。kernel sizedilation等效感受野适用场景717×7P3小目标层局部上下文7213×13通用层平衡计算量11111×11P4中尺度层11331×31P5大目标层全局上下文13113×13不推荐效果弱于小核加膨胀注意等效感受野公式是 (k-1)×d1。很多人只改kernel size不碰dilation核设到13结果感受野只比7×7大一点训练更慢还没涨点。这就是典型的“大核陷阱”。2.2 用FLOPs换算决定kernel size和dilation在Ultralytics环境里做LSKA接入前我一般会先用一个几行代码的换算脚本把不同核大小、是否分解的开销算清楚避免反复改yaml试错。def depthwise_flops_per_pixel(kernel, channels, decomposed): if decomposed: # 两次一维depthwise卷积按 kernel 长度计 return 2 * kernel * channels return kernel * kernel * channels for k in (7, 11, 13, 31): full depthwise_flops_per_pixel(k, 256, False) lska depthwise_flops_per_pixel(k, 256, True) print(fkernel{k:2} 直接depthwise{full/1e6:.3f}M LSKA分解{lska/1e6:.3f}M 节省{full/lska:.1f}x)这段代码背后就一条逻辑二维depthwise卷积每个像素要做k×k次乘加拆成两个一维卷积后只要2k次。kernel31时直接depthwise是LSKA分解后开销的15.5倍。实际工程里我不会只看FLOPs还会看特征图尺寸。YOLOv11默认输入640P3特征图是80×80在这个分辨率上挂31×31的LSKA即使分解后也有一笔不小的开销。所以我的经验是P3层用kernel5或7加dilation1P4用7加dilation2P5想要全局上下文就上11加dilation3。这样三个尺度各管各的不会出现小目标层被大感受野“带偏”的问题。3. 把LSKA写进YOLOv11检测头模块代码与yaml接入3.1 LSKA模块的PyTorch实现depthwise 轴向分解LSKA在PyTorch里的实现并不复杂核心是四组一维深度卷积先纵向后横向各一次做局部特征再纵向后横向各一次扩大感受野最后用1×1卷积生成注意力图。下面这份代码是我在Ultralytics YOLO11里常用的版本通道数和输入对齐支持残差连接。import torch import torch.nn as nn class LSKA(nn.Module): def __init__(self, dim, k_size7, dilation1): super().__init__() self.k_size k_size self.dilation dilation pad (k_size - 1) // 2 * dilation # 第一组局部上下文只在单方向上做大核 self.conv0_h nn.Conv2d(dim, dim, kernel_size(k_size, 1), padding(pad, 0), dilation(dilation, 1), groupsdim) self.conv0_v nn.Conv2d(dim, dim, kernel_size(1, k_size), padding(0, pad), dilation(1, dilation), groupsdim) # 第二组全局上下文再扫一次 self.conv1_h nn.Conv2d(dim, dim, kernel_size(k_size, 1), padding(pad, 0), dilation(dilation, 1), groupsdim) self.conv1_v nn.Conv2d(dim, dim, kernel_size(1, k_size), padding(0, pad), dilation(1, dilation), groupsdim) # 注意力向量跨通道加权depthwise卷积输出后做线性融合 self.conv_attn nn.Conv2d(dim, dim, kernel_size1) self.sigmoid nn.Sigmoid() def forward(self, x): attn self.conv0_h(x) attn self.conv0_v(attn) attn self.conv1_h(attn) attn self.conv1_v(attn) attn self.conv_attn(attn) return x * self.sigmoid(attn)逻辑说明输入x先走四组分解卷积产生一个和输入形状相同的注意力图sigmoid后逐元素乘回原特征。这样做不会改变通道数适合直接插在YOLOv11检测头的特征图之后。参数上k_size控制实际卷积核长度dilation控制膨胀倍数。注意padding的计算公式用的是 (k_size - 1) // 2 * dilation如果手动改kernel size却不改padding输出特征图尺寸会对不上后面接检测头时大概率报shape不匹配。由于卷积都带groupsdim每个通道独立计算参数比标准卷积少一大截1×1的conv_attn负责跨通道交互避免各通道的注意力完全孤立。3.2 在Ultralytics YOLO11里注册模块并修改head模块写好之后接进Ultralytics工程要改两个地方。第一步是在ultralytics/nn/modules/__init__.py里导入LSKA并把名字加进__all__第二步是在ultralytics/nn/tasks.py的parse_model中补充新增模块的解析分支。常见做法是直接在自定义模块里加一行assert all(k in modules for k in yaml[head])如果报“Module not in modules”说明导入没生效。注册完成后修改YOLOv11的yaml配置文件。Ultralytics的head部分用列表描述每一层的输入来源、模块序号、模块名和参数。下面是一段典型的接入配置把LSKA加在P3/P4/P5三个检测分支之前的特征图后面head: - [-1, 1, LSKA, [512, 7, 2]] - [-1, 1, LSKA, [1024, 7, 2]] - [-1, 1, LSKA, [2048, 7, 2]] - [[16, 19, 22], 1, Detect, [nc]]参数说明中括号第一个数字是输入通道数要和上一层输出的通道数一致第二个是kernel size第三个是dilation。三个LSKA层分别对应小目标、中目标、大目标三个尺度。这里只是结构示意实际yaml的输入索引要按你使用的YOLOv11网络结构图来填先打印模型结构确认P3、P4、P5的输出索引再决定把LSKA插在哪一层后面。我习惯不直接改官方yolo11.yaml而是复制一份命名为yolo11-lska.yaml方便随时切回baseline做对比。4. 训练自己的模型到保存推理结果全流程命令与参数4.1 训练前环境配置与数据集准备Ultralytics YOLOv11的环境配置是这套流程里最不该花太多时间的部分。推荐直接用Anaconda建一个干净的Python 3.10环境然后执行pip install ultralytics它会自动把torch、torchvision以及相关依赖拉齐。GPU环境需要先确认CUDA版本和PyTorch匹配训练前用一段小命令验证python -c import torch; print(torch.__version__, torch.cuda.is_available())如果输出的是cpu版的torch说明装成了CPU版本后续训练会非常慢。这时需要根据本机的CUDA版本重新安装对应的PyTorch轮子再装ultralytics。数据集方面YOLOv11默认读取COCO格式的目录结构 images 和 labels 两个目录按train/val分好label文件里每一行是“类别 x_center y_center w h”坐标为归一化后的值。新手第一次验证流程建议直接用coco128.yaml配置跑通再做自己的数据。4.2 训练脚本与必调超参数训练自己的模型最稳的做法是写一个独立的训练脚本而不是每次都在命令行里堆参数。下面是我常用的一份最小可复现脚本结构换成上面改好的yaml预训练权重用官方yolo11n.pt自动下载。from ultralytics import YOLO # 用自定义yaml构建模型结构并加载官方预训练权重做迁移学习 model YOLO(yolo11-lska.yaml).load(yolo11n.pt) model.train( datadatasets/my_data.yaml, epochs300, imgsz640, batch8, device0, lr00.01, patience50, projectruns/lska, nameexp1, pretrainedTrue, )参数说明epochs设300是因为检测模型通常需要较长训练才能收敛配合patience50做早停可以避免无效等待batch8是在12GB显存下比较稳妥的起点显存够大可以提到16lr0用默认0.01即可改大容易发散改小收敛太慢。pretrainedTrue时框架会自动下载对应的yolo11n.pt权重文件第一次运行需要联网之后会缓存在本地。训练日志里重点看val/box_loss和metrics/mAP50(B)两条曲线如果box_loss降不动了但mAP还在涨说明模型还在学不要急着停。4.3 保存推理结果与权重文件加载方式训练结束后权重文件会落在runs/lska/exp1/weights/目录下best.pt是验证集mAP最高的那轮last.pt是最后一轮。部署和后续消融对比一律用best.pt。推理保存结果是高频需求尤其做小目标优化时要反复看预测效果。from ultralytics import YOLO model YOLO(runs/lska/exp1/weights/best.pt) results model.predict( sourcedatasets/my_data/test/images, imgsz640, conf0.25, saveTrue, save_txtTrue, save_confTrue, projectruns/lska, namepredict, ) print(f预测结果已保存到 runs/lska/predict共 {len(results)} 张)这段代码里saveTrue会把绘制好检测框的图片保存到指定目录save_txtTrue会额外输出每个目标的类别、置信度和归一化坐标。做小目标优化时我强烈建议打开save_cropTrue把每个检测目标单独裁剪出来能直接看出模型在小目标上是不是只切了一半。权重文件加载还有一个容易踩的细节用YOLO(best.pt).predict()会读回完整的模型结构但如果你改了yaml里检测头的层结构旧权重和结构不匹配predict阶段会报unexpected key。这种时候老老实实改成YOLO(yolo11-lska.yaml).load(best.pt, strictFalse)来加载只保留能够对齐的部分。5. 避坑LSKA接入YOLOv11常见的六个翻车现场5.1 排查前先分清结构问题、训练问题、推理问题把LSKA模块加进去之后报错大致分三类第一类是构建模型阶段就崩通常是yaml配置、通道数、模块注册出了问题第二类是能训练但指标不涨定位起来最难涉及核大小、插入位置、学习率第三类是推理阶段报错多半是权重文件与网络结构不匹配。我见过很多人一报错就怀疑代码写错了结果打印出模型结构才发现LSKA根本没有被解析进去。所以接入后第一件事是model YOLO(yolo11-lska.yaml)打印出model.model各层形状确认LSKA确实出现在head对应位置再往后走。5.2 六条高频踩坑记录现象→原因→解决现象1构建模型时提示Module LSKA not in modules。原因改了自定义模块文件但没有在ultralytics/nn/modules/__init__.py里注册ultralytics内部按名字解析yaml时找不到这个类。解决在__init__.py里from .lska import LSKA并把LSKA加进__all__列表同时确认自定义文件放到了能被导入的目录下。现象2训练一开始就报特征图尺寸不匹配。原因LSKA的padding计算错误。k_size7, dilation2时padding应该取6而不是3只要按(k_size-1)//2*dilation计算输出尺寸一定和输入一致。解决把padding改成公式计算不要在初始化里硬编码常量另外检查输入通道是否和yaml里[512, 7, 2]的第一个数字一致。现象3加了LSKA后显存直接OOM。原因三个尺度全部接入大核batch又没降特征图在80×80、40×40、20×20三个分辨率上同时过深度卷积显存开销叠加。解决先只在一层上接入跑通确认显存占用后逐步加层batch先降到2或4imgsz从640降到512等显存有余量再调回去。现象4训练了200轮mAP比baseline还低。原因最常见的是核大小和dilation选择不当。小目标层的特征图本身分辨率高接31×31感受野会引入过多背景信息把注意力带偏另一个原因是LSKA插在C2f之前破坏了原本的梯度传播。解决对照第2章的表格分层配参P3用7×7、P4用7×7加dilation2、P5用11×11加dilation3插入位置优先选在Detect之前的特征图后面不要动backbone。现象5加载best.pt预测时报assertion failed: unexpected key。原因训练用的yaml结构和加载时的模型结构不一致。解决用训练时的同一个yolo11-lska.yaml构建模型再load(best.pt, strictFalse)如果只改过检测头结构旧的检测头权重会被丢弃mAP短暂下降是正常的。现象6训练中断后从last.pt恢复loss曲线异常跳变。原因OSS一般没问题但如果你在中断期间改过yaml或换了数据集路径缓存数据和模型结构对不上恢复的优化器状态和当前模型不匹配。解决中断恢复时保持数据集和yaml文件完全一致不要顺手改参数恢复后先跑一个短的验证流程观察mAP是否和中断前一致再继续训练。6. 让LSKA为小目标服务分层核配置与一个验证技巧小目标优化是LSKA接入YOLOv11后最值得投入的方向但配置思路和常规不一样。P3层对应80×80特征图每个格子只覆盖原图8×8像素小目标往往就落在两三个格子里这时候大感受野不是越大约好5×5或7×7的核加上dilation1能保留目标自身的纹理同时吸收少量上下文。P5层已经是大目标的天下了才需要11×11配合dilation3把全局关系拉进来。另一种常见做法是在P3到P4的跨尺度连接上也挂LSKA等价于在做特征融合之前先各自校准一遍对小目标也有效果。验证LSKA是否真的在起作用不要只看最后的mAP数字。我习惯在Detect层前挂一个forward hook把中间特征图导出来做可视化对比。代码很简单import torch from ultralytics import YOLO model YOLO(runs/lska/exp1/weights/best.pt) m model.model feat_map {} def hook_fn(module, inp, out): feat_map[p5_out] out.detach()[0].mean(dim0).cpu() # 找到检测头前的最后一层不同yaml下索引不同先打印 model.model 确认 target m.model[-1] if hasattr(m, model) else list(m.children())[-1] handle target.register_forward_hook(hook_fn) model.predict(test_small_target.jpg, imgsz640, verboseFalse) handle.remove()拿到特征图后和baseline模型同一层的输出做差值差值图上高亮区域集中在目标周围说明LSKA确实在给检测头补上下文如果差值图到处都是噪点那大概率是核配大了。我最早做这组实验时上来就把三个尺度全加上、核设到13训练到一半发现loss卡在0.25附近下不去后来才明白注意力模块不是越多越好分层配置才是关键。希望帮到你。本文还有配套的精品资源点击获取 LSKA大核注意力机制改进YOLOv11检测头，提升小目标检测精度
简介面向目标检测算法研究与工程落地的技术开发者这是一份系统讲解LSKA大核注意力机制与YOLOv11检测头融合优化的PDF文档。文档从目标检测技术演进切入先剖析YOLOv11检测头的结构特点与性能瓶颈再详解LSKA大核注意力机制的原理与优势并重点阐述两者融合的动机、模块设计、训练配置及性能评估方法最后给出包含模型结构、数据处理、训练策略在内的完整优化流程。尤其针对复杂场景下小目标、密集目标和遮挡目标的检测问题提供了实验对比与结果分析。资源为单个PDF共21页整体压缩包约1.64MB支持目录章节跳转及阅读器大纲快速定位排版清晰便于按章节查阅。已有180人学习过这份资料适合希望在不显著增加计算量的前提下提升YOLOv11检测精度、或需要参考检测头优化完整流程的读者作为技术手册。1. LSKA大核注意力机制是什么为什么偏偏要改YOLOv11的检测头做目标检测的应该都有这种体验模型在通用场景跑得好好的一到小目标密集、目标被遮挡、或者物体和背景长得像的场景mAP就开始往下掉。你翻YOLOv11的网络结构图骨干和颈部都改过好几轮了可检测头还是老一套——几个卷积做分类和回归特征图里该有的上下文线索没有充分利用。这就是LSKA大核注意力机制进YOLOv11检测头最直接的动机在预测之前用更大的感受野把目标周围的上下文重新校准一遍。这套流程真正解决的是“检测头只认局部纹理、不认全局关系”的问题。LSKA把传统大核注意力拆成横向和纵向两组卷积让模型能低成本看到更大的区域同时不会把参数量和显存拖到不可接受。适合谁看两类人一类是正在做小目标优化、想改YOLOv11网络结构的工程师另一类是初学检测头结构、想搞懂注意力模块怎么插进Ultralytics框架的纯小白。需要提醒的是LSKA不是加进去就一定涨点位置、核大小、膨胀系数三个参数调不对翻车概率比收益大得多。下面我把每一步拆开讲。2. LSKA的原理与选型大核为什么拆成两条线参数怎么定2.1 从“大核”到“可分离核”感受野、参数量和计算量的关系注意力机制的本质是让网络学会“看哪里”。普通卷积关注的是局部窗口而大核注意力LKA直接用几十乘几十的卷积核去覆盖大范围区域等于把“注意力”和“大感受野”合在一起。问题是31×31的卷积核即使做成深度可分离卷积计算量依然是31×31×C级别的乘加操作在YOLOv11这种实时检测模型里很难接受。LSKA的做法很朴素把一个大核分解成两次一维卷积先纵向扫一遍再横向扫一遍等价感受野不变计算量从O(k²)降到O(2k)。对检测头来说这条性质尤其关键。YOLOv11的检测头虽然结构精简但P3、P4、P5三个尺度的特征图都要经过独立的卷积分支如果在每个分支后面都挂一个普通大核卷积显存会涨得非常明显。LSKA的深度卷积实现通常配合groupsdepth的设定让每个通道独立做空间注意力再进行跨通道融合整体开销远小于自注意力。下面这张表给出的是不同kernel size与dilation组合下的等效感受野是选参的第一步。kernel sizedilation等效感受野适用场景717×7P3小目标层局部上下文7213×13通用层平衡计算量11111×11P4中尺度层11331×31P5大目标层全局上下文13113×13不推荐效果弱于小核加膨胀注意等效感受野公式是 (k-1)×d1。很多人只改kernel size不碰dilation核设到13结果感受野只比7×7大一点训练更慢还没涨点。这就是典型的“大核陷阱”。2.2 用FLOPs换算决定kernel size和dilation在Ultralytics环境里做LSKA接入前我一般会先用一个几行代码的换算脚本把不同核大小、是否分解的开销算清楚避免反复改yaml试错。def depthwise_flops_per_pixel(kernel, channels, decomposed): if decomposed: # 两次一维depthwise卷积按 kernel 长度计 return 2 * kernel * channels return kernel * kernel * channels for k in (7, 11, 13, 31): full depthwise_flops_per_pixel(k, 256, False) lska depthwise_flops_per_pixel(k, 256, True) print(fkernel{k:2} 直接depthwise{full/1e6:.3f}M LSKA分解{lska/1e6:.3f}M 节省{full/lska:.1f}x)这段代码背后就一条逻辑二维depthwise卷积每个像素要做k×k次乘加拆成两个一维卷积后只要2k次。kernel31时直接depthwise是LSKA分解后开销的15.5倍。实际工程里我不会只看FLOPs还会看特征图尺寸。YOLOv11默认输入640P3特征图是80×80在这个分辨率上挂31×31的LSKA即使分解后也有一笔不小的开销。所以我的经验是P3层用kernel5或7加dilation1P4用7加dilation2P5想要全局上下文就上11加dilation3。这样三个尺度各管各的不会出现小目标层被大感受野“带偏”的问题。3. 把LSKA写进YOLOv11检测头模块代码与yaml接入3.1 LSKA模块的PyTorch实现depthwise 轴向分解LSKA在PyTorch里的实现并不复杂核心是四组一维深度卷积先纵向后横向各一次做局部特征再纵向后横向各一次扩大感受野最后用1×1卷积生成注意力图。下面这份代码是我在Ultralytics YOLO11里常用的版本通道数和输入对齐支持残差连接。import torch import torch.nn as nn class LSKA(nn.Module): def __init__(self, dim, k_size7, dilation1): super().__init__() self.k_size k_size self.dilation dilation pad (k_size - 1) // 2 * dilation # 第一组局部上下文只在单方向上做大核 self.conv0_h nn.Conv2d(dim, dim, kernel_size(k_size, 1), padding(pad, 0), dilation(dilation, 1), groupsdim) self.conv0_v nn.Conv2d(dim, dim, kernel_size(1, k_size), padding(0, pad), dilation(1, dilation), groupsdim) # 第二组全局上下文再扫一次 self.conv1_h nn.Conv2d(dim, dim, kernel_size(k_size, 1), padding(pad, 0), dilation(dilation, 1), groupsdim) self.conv1_v nn.Conv2d(dim, dim, kernel_size(1, k_size), padding(0, pad), dilation(1, dilation), groupsdim) # 注意力向量跨通道加权depthwise卷积输出后做线性融合 self.conv_attn nn.Conv2d(dim, dim, kernel_size1) self.sigmoid nn.Sigmoid() def forward(self, x): attn self.conv0_h(x) attn self.conv0_v(attn) attn self.conv1_h(attn) attn self.conv1_v(attn) attn self.conv_attn(attn) return x * self.sigmoid(attn)逻辑说明输入x先走四组分解卷积产生一个和输入形状相同的注意力图sigmoid后逐元素乘回原特征。这样做不会改变通道数适合直接插在YOLOv11检测头的特征图之后。参数上k_size控制实际卷积核长度dilation控制膨胀倍数。注意padding的计算公式用的是 (k_size - 1) // 2 * dilation如果手动改kernel size却不改padding输出特征图尺寸会对不上后面接检测头时大概率报shape不匹配。由于卷积都带groupsdim每个通道独立计算参数比标准卷积少一大截1×1的conv_attn负责跨通道交互避免各通道的注意力完全孤立。3.2 在Ultralytics YOLO11里注册模块并修改head模块写好之后接进Ultralytics工程要改两个地方。第一步是在ultralytics/nn/modules/__init__.py里导入LSKA并把名字加进__all__第二步是在ultralytics/nn/tasks.py的parse_model中补充新增模块的解析分支。常见做法是直接在自定义模块里加一行assert all(k in modules for k in yaml[head])如果报“Module not in modules”说明导入没生效。注册完成后修改YOLOv11的yaml配置文件。Ultralytics的head部分用列表描述每一层的输入来源、模块序号、模块名和参数。下面是一段典型的接入配置把LSKA加在P3/P4/P5三个检测分支之前的特征图后面head: - [-1, 1, LSKA, [512, 7, 2]] - [-1, 1, LSKA, [1024, 7, 2]] - [-1, 1, LSKA, [2048, 7, 2]] - [[16, 19, 22], 1, Detect, [nc]]参数说明中括号第一个数字是输入通道数要和上一层输出的通道数一致第二个是kernel size第三个是dilation。三个LSKA层分别对应小目标、中目标、大目标三个尺度。这里只是结构示意实际yaml的输入索引要按你使用的YOLOv11网络结构图来填先打印模型结构确认P3、P4、P5的输出索引再决定把LSKA插在哪一层后面。我习惯不直接改官方yolo11.yaml而是复制一份命名为yolo11-lska.yaml方便随时切回baseline做对比。4. 训练自己的模型到保存推理结果全流程命令与参数4.1 训练前环境配置与数据集准备Ultralytics YOLOv11的环境配置是这套流程里最不该花太多时间的部分。推荐直接用Anaconda建一个干净的Python 3.10环境然后执行pip install ultralytics它会自动把torch、torchvision以及相关依赖拉齐。GPU环境需要先确认CUDA版本和PyTorch匹配训练前用一段小命令验证python -c import torch; print(torch.__version__, torch.cuda.is_available())如果输出的是cpu版的torch说明装成了CPU版本后续训练会非常慢。这时需要根据本机的CUDA版本重新安装对应的PyTorch轮子再装ultralytics。数据集方面YOLOv11默认读取COCO格式的目录结构 images 和 labels 两个目录按train/val分好label文件里每一行是“类别 x_center y_center w h”坐标为归一化后的值。新手第一次验证流程建议直接用coco128.yaml配置跑通再做自己的数据。4.2 训练脚本与必调超参数训练自己的模型最稳的做法是写一个独立的训练脚本而不是每次都在命令行里堆参数。下面是我常用的一份最小可复现脚本结构换成上面改好的yaml预训练权重用官方yolo11n.pt自动下载。from ultralytics import YOLO # 用自定义yaml构建模型结构并加载官方预训练权重做迁移学习 model YOLO(yolo11-lska.yaml).load(yolo11n.pt) model.train( datadatasets/my_data.yaml, epochs300, imgsz640, batch8, device0, lr00.01, patience50, projectruns/lska, nameexp1, pretrainedTrue, )参数说明epochs设300是因为检测模型通常需要较长训练才能收敛配合patience50做早停可以避免无效等待batch8是在12GB显存下比较稳妥的起点显存够大可以提到16lr0用默认0.01即可改大容易发散改小收敛太慢。pretrainedTrue时框架会自动下载对应的yolo11n.pt权重文件第一次运行需要联网之后会缓存在本地。训练日志里重点看val/box_loss和metrics/mAP50(B)两条曲线如果box_loss降不动了但mAP还在涨说明模型还在学不要急着停。4.3 保存推理结果与权重文件加载方式训练结束后权重文件会落在runs/lska/exp1/weights/目录下best.pt是验证集mAP最高的那轮last.pt是最后一轮。部署和后续消融对比一律用best.pt。推理保存结果是高频需求尤其做小目标优化时要反复看预测效果。from ultralytics import YOLO model YOLO(runs/lska/exp1/weights/best.pt) results model.predict( sourcedatasets/my_data/test/images, imgsz640, conf0.25, saveTrue, save_txtTrue, save_confTrue, projectruns/lska, namepredict, ) print(f预测结果已保存到 runs/lska/predict共 {len(results)} 张)这段代码里saveTrue会把绘制好检测框的图片保存到指定目录save_txtTrue会额外输出每个目标的类别、置信度和归一化坐标。做小目标优化时我强烈建议打开save_cropTrue把每个检测目标单独裁剪出来能直接看出模型在小目标上是不是只切了一半。权重文件加载还有一个容易踩的细节用YOLO(best.pt).predict()会读回完整的模型结构但如果你改了yaml里检测头的层结构旧权重和结构不匹配predict阶段会报unexpected key。这种时候老老实实改成YOLO(yolo11-lska.yaml).load(best.pt, strictFalse)来加载只保留能够对齐的部分。5. 避坑LSKA接入YOLOv11常见的六个翻车现场5.1 排查前先分清结构问题、训练问题、推理问题把LSKA模块加进去之后报错大致分三类第一类是构建模型阶段就崩通常是yaml配置、通道数、模块注册出了问题第二类是能训练但指标不涨定位起来最难涉及核大小、插入位置、学习率第三类是推理阶段报错多半是权重文件与网络结构不匹配。我见过很多人一报错就怀疑代码写错了结果打印出模型结构才发现LSKA根本没有被解析进去。所以接入后第一件事是model YOLO(yolo11-lska.yaml)打印出model.model各层形状确认LSKA确实出现在head对应位置再往后走。5.2 六条高频踩坑记录现象→原因→解决现象1构建模型时提示Module LSKA not in modules。原因改了自定义模块文件但没有在ultralytics/nn/modules/__init__.py里注册ultralytics内部按名字解析yaml时找不到这个类。解决在__init__.py里from .lska import LSKA并把LSKA加进__all__列表同时确认自定义文件放到了能被导入的目录下。现象2训练一开始就报特征图尺寸不匹配。原因LSKA的padding计算错误。k_size7, dilation2时padding应该取6而不是3只要按(k_size-1)//2*dilation计算输出尺寸一定和输入一致。解决把padding改成公式计算不要在初始化里硬编码常量另外检查输入通道是否和yaml里[512, 7, 2]的第一个数字一致。现象3加了LSKA后显存直接OOM。原因三个尺度全部接入大核batch又没降特征图在80×80、40×40、20×20三个分辨率上同时过深度卷积显存开销叠加。解决先只在一层上接入跑通确认显存占用后逐步加层batch先降到2或4imgsz从640降到512等显存有余量再调回去。现象4训练了200轮mAP比baseline还低。原因最常见的是核大小和dilation选择不当。小目标层的特征图本身分辨率高接31×31感受野会引入过多背景信息把注意力带偏另一个原因是LSKA插在C2f之前破坏了原本的梯度传播。解决对照第2章的表格分层配参P3用7×7、P4用7×7加dilation2、P5用11×11加dilation3插入位置优先选在Detect之前的特征图后面不要动backbone。现象5加载best.pt预测时报assertion failed: unexpected key。原因训练用的yaml结构和加载时的模型结构不一致。解决用训练时的同一个yolo11-lska.yaml构建模型再load(best.pt, strictFalse)如果只改过检测头结构旧的检测头权重会被丢弃mAP短暂下降是正常的。现象6训练中断后从last.pt恢复loss曲线异常跳变。原因OSS一般没问题但如果你在中断期间改过yaml或换了数据集路径缓存数据和模型结构对不上恢复的优化器状态和当前模型不匹配。解决中断恢复时保持数据集和yaml文件完全一致不要顺手改参数恢复后先跑一个短的验证流程观察mAP是否和中断前一致再继续训练。6. 让LSKA为小目标服务分层核配置与一个验证技巧小目标优化是LSKA接入YOLOv11后最值得投入的方向但配置思路和常规不一样。P3层对应80×80特征图每个格子只覆盖原图8×8像素小目标往往就落在两三个格子里这时候大感受野不是越大约好5×5或7×7的核加上dilation1能保留目标自身的纹理同时吸收少量上下文。P5层已经是大目标的天下了才需要11×11配合dilation3把全局关系拉进来。另一种常见做法是在P3到P4的跨尺度连接上也挂LSKA等价于在做特征融合之前先各自校准一遍对小目标也有效果。验证LSKA是否真的在起作用不要只看最后的mAP数字。我习惯在Detect层前挂一个forward hook把中间特征图导出来做可视化对比。代码很简单import torch from ultralytics import YOLO model YOLO(runs/lska/exp1/weights/best.pt) m model.model feat_map {} def hook_fn(module, inp, out): feat_map[p5_out] out.detach()[0].mean(dim0).cpu() # 找到检测头前的最后一层不同yaml下索引不同先打印 model.model 确认 target m.model[-1] if hasattr(m, model) else list(m.children())[-1] handle target.register_forward_hook(hook_fn) model.predict(test_small_target.jpg, imgsz640, verboseFalse) handle.remove()拿到特征图后和baseline模型同一层的输出做差值差值图上高亮区域集中在目标周围说明LSKA确实在给检测头补上下文如果差值图到处都是噪点那大概率是核配大了。我最早做这组实验时上来就把三个尺度全加上、核设到13训练到一半发现loss卡在0.25附近下不去后来才明白注意力模块不是越多越好分层配置才是关键。希望帮到你。本文还有配套的精品资源点击获取