YOLOv11改进策略【卷积层】| ICCV-2023 SAFM 空间自适应特征调制模块 对C3k2进行二次创新

一、本文介绍

本文记录的是利用空间自适应特征调制模块SAFM优化YOLOv11的目标检测方法研究。SAFM通过更好地利用特征信息来实现模型性能和效率的平衡。本文通过二次创新C3k2，能够动态选择代表性特征，并结合局部上下文信息，提升模型的检测精度。

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！

文章目录

• 一、本文介绍
• 二、SAFM 原理介绍
• • 2.1 设计出发点
  • 2.2 原理
  • 2.3 结构
  • • 2.3.1 多尺度特征生成单元（MFGU）
    • 2.3.2 特征聚合与调制
  • 2.4 优势
• 三、SAFM的实现代码
• 四、创新模块
• • 4.1 改进点⭐
• 五、添加步骤
• • 5.1 修改ultralytics/nn/modules/block.py
  • 5.2 修改ultralytics/nn/modules/__init__.py
  • 5.3 修改ultralytics/nn/modules/tasks.py
• 六、yaml模型文件
• • 6.1 模型改进⭐
• 七、成功运行结果