一、本文介绍

本文主要利用GOLD - YOLO中的颈部结构优化YOLOv11的网络模型。GOLD - YOLO颈部结构中的GD机制借鉴了全局信息融合的理念，通过独特的模块设计，在不显著增加延迟的情况下，高效融合不同层级的特征信息。将其应用于YOLOv11的改进过程中，能够使模型更有效地整合多尺度特征，减少信息损失，强化对不同大小目标物体的特征表达，从而提升模型在复杂场景下对目标物体的检测精度与定位准确性。

专栏目录：YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
专栏地址：YOLOv11改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

二、GOLD-YOLO介绍

Gold-YOLO: Efficient Object Detector via Gather-and-Distribute Mechanism

GOLD - YOLO颈部结构的设计旨在解决传统信息融合方法的缺陷，提升模型性能。以下从出发点、结构原理、模块组成和优势四方面详细介绍：

2.1 出发点

传统YOLO系列颈部结构采用PAFPN，该结构在融合跨层信息时存在缺陷，信息传递存在损失。

例如，当level - 1获取level - 3信息时，需先将level - 2和level - 3信息融合，导致信息交互只能传递中间层选择的信息，未被选择的信息在传输中被丢弃，限制了信息融合的整体效果。为避免这种信息损失，构建了Gather - and - Distribute（GD）机制。

2.2 结构原理

GD机制通过统一模块收集和融合所有层级的信息，并将其分配到不同层级。该过程对应三个模块：Feature Alignment Module（FAM）、Information Fusion Module（IFM）和Information Injection Module（Inject）。

具体来说，FAM收集并对齐各层级特征，IFM融合对齐后的特征生成全局信息，Inject模块将全局信息分配到各层级并通过简单注意力操作注入，从而增强分支的检测能力。为提升对不同大小物体的检测能力，还开发了低阶段（Low-GD）和高阶段（High-GD）两个分支，分别提取和融合大尺寸和小尺寸特征图，颈部输入为骨干网络提取的特征图 $B2$，$B3$，$B4$，$B5$ 。

2.3 模块组成

• 低阶段收集 - 分发分支（Low-GD）：选择骨干网络输出的 $B2$，$B3$，$B4$，$B5$ 特征进行融合以获取保留小目标信息的高分辨率特征。
  • 包含低阶段特征对齐模块（Low-FAM），使用平均池化操作将输入特征下采样到统一大小（以 $R_{B4}=\frac{1}{4}R$ 为目标对齐大小）；
  • 低阶段信息融合模块（Low-IFM），由多层重参数化卷积块（RepBlock）和一个分割操作组成；
  • 信息注入模块，借鉴分割经验，采用注意力操作将全局信息高效注入不同层级 ，如图所示。

• 高阶段收集 - 分发分支（High-GD）：融合Low-GD生成的 ${P3, P4, P5}$ 特征。
  • 包括高阶段特征对齐模块（High-FAM），利用平均池化将输入特征维度降低到统一大小（以 $R_{P5}=\frac{1}{8}R$ 为目标）；
  • 高阶段信息融合模块（High-IFM），由Transformer块和分割操作组成；
  • 信息注入模块与Low-GD中的相同，如图所示。

• 增强跨层信息流模块（Inject - LAF）：受PAFPN模块启发，对信息注入模块进行增强，包含轻量级相邻层融合（LAF）模块。
  • 设计了LAF低层级模型和LAF高层级模型，分别用于低层级注入（融合相邻两层特征）和高层级注入（融合相邻一层特征）。
  • 该模块通过双线性插值、平均池化和1x1卷积操作，在不显著增加延迟的情况下，增加不同层级之间的信息流路径，平衡了模型的精度和速度 ，如图所示。

2.4 优势

通过GD机制和Inject-LAF模块，GOLD-YOLO颈部结构有效提升了信息融合能力，避免了传统FPN结构的信息损失问题。实验表明，该颈部结构在不同模型尺寸下，都能在不显著增加延迟的情况下，提高模型在不同大小物体上的检测性能。

论文：https://arxiv.org/abs/2309.11331v4
源码：https://github.com/huawei-noah/Efficient-Computing/tree/master/Detection/Gold-YOLO

三、实现代码及YOLOv11修改步骤

模块完整介绍、个人总结、实现代码、模块改进、二次创新以及各模型添加步骤参考如下地址：

https://blog.csdn.net/qq_42591591/article/details/145202416