2. YOLO11网络结构详细解析（以n版本为例）

FX_CMX FX_CMX 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.5w累计阅读 1.6w+平均单平台 已同步平台 CSDN 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄15年
关注
原创 2025-04-29 09:02:48 1.5w 阅读 AI 写同款· GEO 优化 ›
YOLOv11 网络结构详解：一文看懂 Backbone、Head、C3k2、SPPF 和 Detect 检测头 在使用 YOLOv11 进行目标检测时，我们经常会接触到或这样的模型配置文件。backbone和head分别是什么意思？ConvC3k2SPPFC2PSA这些模块分别起什么作用？P3/8、P4/16、P5/32 代表什么？为什么最后 Detect 要同时接收 3 个不同尺度的特征图？YOLOv11n、YOLOv11s、YOLOv11m、YOLOv11l、YOLOv11x 的区别在哪里？ 阅读详情

YOLO11-n的网络结构图，如下：

网上的关于YOLO11网格结构图，要么有错误，要么细节不清晰。这是我找到最好的版本，原图见博文：YOLO11 沉浸式讲解 YOLOV11网络结构以及代码剖析-CSDN博客

YOLO11网格结构的具体实现，可以在nn/task.py中parse_model函数显示的位置设置断点，调试过程中观察yaml文件被一行一行的解析。

具体解析如下：

YOLO11-backbone（n版本）

结构图

模块图

scales:

  # [depth, width, max_channels]

  n: [0.50, 0.25, 1024]

backbone:

  # [from, repeats, module, args]

  - [-1, 1, Conv, [64*0.25, 3, 2]] # 0-P1/2

  - [-1, 1, Conv, [128*0.25, 3, 2]] # 1-P2/4

  - [-1, 2*0.50, C3k2, [256*0.25, False, 0.25]]

  - [-1, 1, Conv, [256*0.25, 3, 2]] # 3-P3/8

  - [-1, 2*0.50, C3k2, [512*0.25, False, 0.25]]

  - [-1, 1, Conv, [512*0.25, 3, 2]] # 5-P4/16

  - [-1, 2*0.50, C3k2, [512*0.25, True]]

  - [-1, 1, Conv, [1024*0.25, 3, 2]] # 7-P5/32

  - [-1, 2*0.50, C3k2, [1024*0.25, True]]

  - [-1, 1, SPPF, [1024*0.25, 5]] # 9

  - [-1, 2*0.50, C2PSA, [1024*0.25]] # 10

CBS:

 

Bottleneck:

C3K:

C3K2(False):

 

C3K2(True):

 SPPF:

 

C2PSA:  

YOLO11-backbone

层号

说明

  - [-1, 1, Conv, [64*0.25, 3, 2]] # 0-P1/2

0

640→320, c1=3, c2=64*0.25=16, CBS: k=3 s=2

  - [-1, 1, Conv, [128*0.25, 3, 2]] # 1-P2/4

1

320→160, c1=16, c2=128*0.25=32, CBS: k=3 s=2

  - [-1, 2*0.5, C3k2, [256*0.25, False, 0.25]]

2

160→160, c1=32, c2=256*0.25=64, e=0.25,

C3K2(False):

    第1个CBS: cin=c1=32, cout=c2*e*2=32, k=1 s=1

    Split: 2个c=c2*e=16

    Bottleneck: n=2*0.5=1个, cin=cout=c=16, shortcut=true, 2个CBS:

        第1个CBS: cin=16, cout=16*0.5=8, k=3 s=1

        第2个CBS: cin=16*0.5=8, cout=16, k=3 s=1

    Concat: (2+n)*c=48

    第2个CBS: cin=(2+n)*c=48, cout=c2=64, k=1 s=1

  - [-1, 1, Conv, [256*0.25, 3, 2]] # 3-P3/8

3

160→80, c1=64, c2=256*0.25=64, CBS: k=3 s=2

  - [-1, 2*0.5, C3k2, [512*0.25, False, 0.25]]

4

80→80, c1=64, c2=512*0.25=128, e=0.25,

C3K2(False):

    第1个CBS: cin=c1=64, cout=c2*e*2=64, k=1 s=1

    Split: 2个c=c2*e=32

    Bottleneck: n=2*0.5=1, cin=cout=c=32, shortcut=true, 2个CBS:

        第1个CBS: cin=32, cout=32*0.5=16, k=3 s=1

        第2个CBS: cin=32*0.5=16, cout=32, k=3 s=1

    Concat: (2+n)*c=96

    第2个CBS: cin=(2+n)*c=96, cout=c2=128, k=1 s=1

  - [-1, 1, Conv, [512*0.25, 3, 2]] # 5-P4/16

5

80→40, c1=128, c2=512*0.25=128, CBS: k=3 s=2

  - [-1, 2*0.5, C3k2, [512*0.25, True]]

6

40→40, c1=128, c2=512*0.25=128, e=0.5(默认值),

C3K2(True):

    第1个CBS: cin=c1=128, cout=c2*e*2=128, k=1 s=1

    Split: 2个c=c2*e=64

    C3K: n=2*0.5=1, cin=cout=c=64, shortcut=true

        CBS-1: cin=c=64, cout=c*e=32, k=1 s=1

        CBS-2: cin=c=64, cout=c*e=32, k=1 s=1

        2个Bottleneck: cin=c*e=32, cout= c*e=32, shortcut=true

            第1个CBS: cin= c*e=32, cout= c*e =32, k=3 s=1

            第2个CBS: cin= c*e =32, cout= c*e=32, k=3 s=1

        Concat: c*e + c*e=64

        CBS-3: cin= c*e + c*e=64, cout=c=64, k=1 s=1

    Concat: (2+n)*c=192

    第2个CBS: cin=(2+n)*c=192, cout=c2=128, k=1 s=1

  - [-1, 1, Conv, [1024*0.25, 3, 2]] # 7-P5/32

7

40→20, c1=128, c2=1024*0.25=256, CBS: k=3 s=2

  - [-1, 2*0.5, C3k2, [1024*0.25, True]]

8

20→20, c1=256, c2=1024*0.25=256, e=0.5(默认值),

C3K2(True):

    第1个CBS: cin=c1=256, cout=c2*e*2=256, k=1 s=1

    Split: 2个c=c2*e=128

    C3K: n=2*0.5=1, cin=cout=c=128, shortcut=true

        CBS-1: cin=c=128, cout=c*e=64, k=1 s=1

        CBS-2: cin=c=128, cout=c*e=64, k=1 s=1

        2个Bottleneck: cin=c*e=64, cout= c*e=64, shortcut=true

            第1个CBS: cin= c*e=64, cout= c*e =64, k=3 s=1

            第2个CBS: cin= c*e =64, cout= c*e=64, k=3 s=1

        Concat: c*e + c*e=128

        CBS-3: cin= c*e + c*e=128, cout=c=128, k=1 s=1

    Concat: (2+n)*c=384

    第2个CBS: cin=(2+n)*c=384, cout=c2=256, k=1 s=1

  - [-1, 1, SPPF, [1024*0.25, 5]] # 9

9

20→20, c1=256, c2=1024*0.25=256, k=5,

SPPF:

  第1个CBS: cin=c1=256, cout=c1/2=128, k=1 s=1

  MaxPool2d: k=5, s=1, p=2

  Concat: (c1/2)*4=512

  第2个CBS: cin=(c1/2)*4=512, cout=c2=256, k=1 s=1

  - [-1, 2*0.5, C2PSA, [1024*0.25]] # 10

10

20→20, c1=256, c2=1024*0.25=256,

C2PSA:

    第1个CBS: cin=c1=256, cout=256, k=1 s=1

    Split: 2个c=c1*0.5=128

    PSABlock: n=2*0.5=1,

        Attention: cin=c=128, cout=128, shortcut=true

        FNN: cin=c=128, cout=128, shortcut=true

            第1个CBS: cin=128, cout=256, k=1 s=1

            第2个CBS: cin=256, cout=128, k=1 s=1

    Concat: 128+128=256

    第2个CBS: cin =256, cout=256, k=1 s=1

YOLO11-head

结构图

head:

  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]

  - [[-1, 6], 1, Concat, [1]] # cat backbone P4

  - [-1, 2*0.5, C3k2, [512*0.25, False]] # 13

  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]

  - [[-1, 4], 1, Concat, [1]] # cat backbone P3

  - [-1, 2*0.5, C3k2, [256*0.25, False]] # 16 (P3/8-small)

  - [-1, 1, Conv, [256*0.25, 3, 2]]

  - [[-1, 13], 1, Concat, [1]] # cat head P4

  - [-1, 2*0.5, C3k2, [512*0.25, False]] # 19 (P4/16-medium)

  - [-1, 1, Conv, [512*0.25, 3, 2]]

  - [[-1, 10], 1, Concat, [1]] # cat head P5

  - [-1, 2*0.5, C3k2, [1024*0.25, True]] # 22 (P5/32-large)

YOLO11-head

层号

说明

  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]

11

20→40, c1=256, c2=256

Upsample(scale_factor=2.0, mode='nearest')

  - [[-1, 6], 1, Concat, [1]] # cat backbone P4

12

40→40, c1=128+256, c2=384

  - [-1, 2*0.5, C3k2, [512*0.25, False]] # 13

13

40→40, c1=384, c2=512*0.25=128, e=0.5(默认值),

C3K2(False):

    第1个CBS: cin=c1=384, cout=c2*e*2=128, k=1 s=1

    Split: 2个c=c2*e=64

    Bottleneck: n=2*0.5=1个, cin=cout=c=64, shortcut=true, 2个CBS:

        第1个CBS: cin=64, cout=64*0.5=32, k=3 s=1

        第2个CBS: cin=64*0.5=32, cout=64, k=3 s=1

    Concat: (2+n)*c=192

    第2个CBS: cin=(2+n)*c=192, cout=c2=128, k=1 s=1

  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]

14

40→80, c1=128, c2=128

Upsample(scale_factor=2.0, mode='nearest')

  - [[-1, 4], 1, Concat, [1]] # cat backbone P3

15

80→80, c1=128+128, c2=256

  - [-1, 2*0.5, C3k2, [256*0.25, False]] # 16 (P3/8-small)

16

80→80, c1=256, c2=256*0.25=64, e=0.5(默认值),

C3K2(False):

    第1个CBS: cin=c1=256, cout=c2*e*2=64, k=1 s=1

    Split: 2个c=c2*e=32

    Bottleneck: n=2*0.5=1个, cin=cout=c=32, shortcut=true, 2个CBS:

        第1个CBS: cin=32, cout=32*0.5=16, k=3 s=1

        第2个CBS: cin=32*0.5=16, cout=32, k=3 s=1

    Concat: (2+n)*c=96

    第2个CBS: cin=(2+n)*c=96, cout=c2=64, k=1 s=1

  - [-1, 1, Conv, [256*0.25, 3, 2]]

17

80→40, c1=64, c2=256*0.25=64, CBS: k=3 s=2

  - [[-1, 13], 1, Concat, [1]] # cat head P4

18

40→40, c1=128+64, c2=192

  - [-1, 2*0.5, C3k2, [512*0.25, False]] # 19 (P4/16-medium)

19

40→40, c1=192, c2=512*0.25=128, e=0.5(默认值),

C3K2(False):

    第1个CBS: cin=c1=192, cout=c2*e*2=128, k=1 s=1

    Split: 2个c=c2*e=64

    Bottleneck: n=2*0.5=1个, cin=cout=c=64, shortcut=true, 2个CBS:

        第1个CBS: cin=64, cout=64*0.5=32, k=3 s=1

        第2个CBS: cin=64*0.5=32, cout=64, k=3 s=1

    Concat: (2+n)*c=192

    第2个CBS: cin=(2+n)*c=192, cout=c2=128, k=1 s=1

  - [-1, 1, Conv, [512*0.25, 3, 2]]

20

40→20, c1=128, c2=512*0.25=128, CBS: k=3 s=2

  - [[-1, 10], 1, Concat, [1]] # cat head P5

21

20→20, c1=128+256, c2=384

  - [-1, 2*0.5, C3k2, [1024*0.25, True]] # 22 (P5/32-large)

22

20→20, c1=384, c2=1024*0.25=256, e=0.5(默认值),

C3K2(True):

    第1个CBS: cin=c1=384, cout=c2*e*2=256, k=1 s=1

    Split: 2个c=c2*e=128

    C3K: n=2*0.5=1, cin=cout=c=128, shortcut=true

        CBS-1: cin=c=128, cout=c*e=64, k=1 s=1

        CBS-2: cin=c=128, cout=c*e=64, k=1 s=1

        2个Bottleneck: cin=c*e=64, cout= c*e=64, shortcut=true

            第1个CBS: cin= c*e=64, cout= c*e =64, k=3 s=1

            第2个CBS: cin= c*e =64, cout= c*e=64, k=3 s=1

        Concat: c*e + c*e=128

        CBS-3: cin= c*e + c*e=128, cout=c=128, k=1 s=1

    Concat: (2+n)*c=384

    第2个CBS: cin=(2+n)*c=384, cout=c2=256, k=1 s=1

收录于
FXGroup：深度学习

当前文章被收录于：

FXGroup：深度学习
10 篇文章 6 人学习

深度学习文献转载与解读

订阅专栏 查看详情
标签
#算法 #人工智能 #深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
如何提高YOLO模型的检测精度：使用YOLO11n训练与优化技巧 通过优化数据、调整模型参数和改进训练策略，我们可以进一步提高其检测精度。目标：检测X光、CT、MRI图像中的病变区域，如肺结节、肿瘤等。应用：增强自动驾驶汽车的感知能力，避免碰撞，提高行车安全性。应用：智能安防系统，结合报警机制，实现异常检测和跟踪。关键点：需结合多模态医学数据，优化模型的检测阈值。目标：检测行人、车辆、红绿灯、交通标志等。目标：检测异常行为，如闯入、偷窃、打架等。应用：辅助医生诊断，提高疾病检测的准确率。目标：检测产品缺陷，如裂纹、划痕、不良品。应用：自动化生产线，提高质检效率和准确率。 阅读详情

相关推荐

【YOLO系列】网络结构图详解

Backbone 是目标检测模型的“特征提取器”，负责从输入图像中提取不同层次的语义特征。YOLO11 的 backbone 采用多尺度特征提取设计，最终输出 P3/8、P4/16、P5/32 三种尺度的特征图（分辨率依次降低，语义信息依次增强），用于后续检测头的目标识别与定位。注释含义： (网络层数索引)-(特征金字塔级数) / (相对于输入图像的下采样倍数)

BigGod139的博客 1万+

YOLO11n网络结构全解析：从Backbone到Head的改进与工程实践

目标检测网络中，骨干网络的结构设计直接决定特征提取效率与模型精度。YOLO11通过引入C3K2模块替代传统C2f，并以C2PSA自注意力结构增强全局上下文建模，在降低参数量的同时提升检测精度。这种轻量化设计让模型能够高效运行在边缘设备上，成为实时推理场景的热门选择。针对小目标检测难题，YOLO11利用PAN-FPN多尺度融合与TaskAlignedAssigner正样本分配策略，进一步优化了不同尺度目标的召回率。本文以YOLO11n为样本，从Backbone到Head完整拆解网络结构、参数流向与模块设计逻辑

weixin_34087307的博客 340

YOLOv11通俗易懂！| YOLOv11网络结构解读 、yolov11.yaml配置文件详细解读与说明、模型训练参数详细解析 | 入门必看系列！

YOLOv11是由Ultralytics公司开发的新一代目标检测算法，它在之前YOLO版本的基础上进行了显著的架构和训练方法改进。整合了改进的模型结构设计增强的特征提取技术和优化的训练方法。真正让YOLO11脱颖而出的是它令人印象深刻的速度准确性和效率的结合，使其成为Ultralytics迄今为止创造的最强大的型号之一。通过改进设计，YOLO11提供了更好的特征提取，这是从图像中识别重要模式和细节的过程，即使在具有挑战性的场景中，也可以更准确地捕捉复杂的方面。

Ai缝合怪、助力小伙伴高效发论文 5万+

快速理解高性能HTTP服务端的负载均衡技术原理

1、前言 在一个典型的高并发、大用户量的Web互联网系统的架构设计中，对HTTP集群的负载均衡设计是作为高性能系统优化环节中必不可少的方案。HTTP负载均衡的本质上是将Web用户流量进行均衡减压，因此在互联网的大流量项目中，其重要性不言而喻。 本文将以简洁通俗的文字，为你讲解主流的HTT...

cidingbiao2152的博客 346

YOLOv11来了，使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)

YOLOv11 由 Ultralytics 在 2024 年 9 月 30 日发布， 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进，以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用，使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步 28万+

YOLOv11(ultralytics新作品-YOLOv8后续) | 一文带你深入理解yolov11全部内容（附网络结构图）

YOLOv11 是 Ultralytics 推出的最新的集目标检测、语义分割、图像分类等任务于一体的神经网络，其基本原理涉及到主干网络、颈部网络（neck）、检测头等部分，以下是详细介绍：变化1：C2f模块更换成了C3k2模块；变化2：在第九层SPPF之后，YOLOv11加上了一层C2PSA模块；变化三：在检测部分，YOLOv11也替换了C2F模块为C3K2模块；并且检测头内卷积更换成了深度可分离卷积下面详细介绍这三个变化：首先，第一个变化的C3k2模块其实并没有改变网络结构，其网络结构与C2F还是一样的，

qq_41304809的博客 1万+

YOLOv11对比YOLOV8网络结构变化分析，帮助你真正的理解和学习yolo框架

yolov11 yolo

qq_39128381的博客 2万+

全新YOLOv11一文弄懂 | YOLOv11网络结构解读 、yolov11.yaml配置文件详细解读与说明、模型训练参数详细解析 | 通俗易懂！入门必看系列！

本文全面介绍了YOLOv11目标检测算法，包含网络结构解析、yaml配置文件详解及训练教程。YOLOv11通过改进的C3k2f模块、SPPF和C2PSA注意力机制等创新设计，在COCO数据集上实现了比YOLOv8更优的性能。文章详细解读了yolov11.yaml配置文件的参数设置、主干网络(backbone)和头部网络(head)结构，并提供了完整的训练代码示例和参数说明。训练部分涵盖了模型选择、参数设置及优化技巧，包括epochs、batch size、学习率等关键参数的调整建议。最后总结了YOLOv11

Ai缝合怪、助力小伙伴高效发论文 3万+

目标检测：YOLOv11(Ultralytics)环境配置，适合0基础纯小白，超详细

深度学习目标检测YOLOv11小白教程环境搭建，超级简单的教程，纯新手方便理解，一看就会。

笑脸惹桃花的博客 21万+

YOLO26一文弄懂 | YOLO26内容详解、网络结构解读 、yolo26.yaml配置文件详细解读与说明、YOLO26虚拟环境安装、模型训练、验证、推理参数详细解析 | 通俗易懂！入门必看系列！

YOLO26目标检测模型创新与应用指南 本文全面介绍了YOLO26目标检测模型的创新特性、网络结构及实践应用。YOLO26基于四大核心原则设计：简洁性（移除NMS后处理）、部署效率（端到端架构）、训练创新（MuSGD优化器）和任务优化（支持多种视觉任务）。模型包含五种尺寸规格，CPU推理速度提升43%，支持目标检测、实例分割、姿态估计等任务。 文章详细解析了YOLO26的网络结构（Backbone-Neck-Head三部分）和yaml配置文件，提供了从虚拟环境配置到模型训练、验证、推理的完整教程。

Ai缝合怪、助力小伙伴高效发论文 2万+

YOLOv11 | 一文带你深入理解ultralytics最新作品yolov11的创新 | 训练、推理、验证、导出 （附网络结构图）

ultralytics发布了最新的作品YOLOv11，这一次YOLOv11的变化相对于ultralytics公司的上一代作品YOLOv8变化还是很大的（YOLOv9、YOLOv10均不是ultralytics公司作品），其中改变的位置涉及到C2f变为C3K2，在SPPF后面加了一层类似于注意力机制的C2PSA，还有一个变化大家从yaml文件是看不出来的就是它的检测头内部替换了两个DWConv，在损失函数方面就没有变化了还是采用的CIoU作为边界框回归损失，下面带大家深入理解一下ultralytics最新作品

Snu77的博客 18万+

YOLO11n网络结构全解析：C3k2与C2PSA的注意力进化

目标检测是计算机视觉的核心任务之一，而YOLO系列凭借实时性与精度平衡成为工业应用最广泛的算法之一。最新YOLO11在主干中引入C3k2模块替代传统C2f，并深层嵌入C2PSA位置敏感注意力，兼顾轻量化与强特征表达。C3k2通过split与Bottleneck机制降低参数，C2PSA则将自注意力限制在低分辨率深层，避免计算爆炸。这些设计使n版本仅2.6M参数就能在边缘设备流畅运行，适用于实时视频流、嵌入式检测等场景。本文以n版本为例，逐层拆解网络结构、yaml参数含义与特征图变化，帮助你彻底理解YOLO11

weixin_33951761的博客 344

同源策略与跨域

前言：最近业务上前端同学多次联系说访问腾讯云cos资源的时候因为跨域的问题访问不到。大致看了下腾讯云关于设置跨域访问的教程，按照前端同学给的域名等选项就给配了，而且测试下来也是好的。但是呢一直不知道什么是跨域这里就做一个简单的学习记录。 一、同源策略 同源策略(Same Origin Policy)是一种约定，它是浏览器最核心也是最基本的安全功能。同源策略会阻止一个域的javascrip脚本和另一个域的内容进行交互，是用于隔离潜在恶意文件的关键安全机制；关于这一点我们后面会举例说明。...

mijichui2153的博客 1万+

YOLO11来啦 | 详细解读YOLO11的改进模块！

2024年可谓是YOLO历史性的一年，9月份的最后一天迎来了YOLO2024年的第三部巨作。2024年2月21日，继 2023 年 1 月 YOLOv8 正式发布一年多以后，YOLOv9 才终于到来了！YOLOv9提出了可编程梯度信息（Programmable Gradient Information，PGI）的概念，我们可以用它来获取完整的信息，从而使从头开始训练的模型能够比使用大型数据集预训练的 SOTA 模型获得更好的结果。

qq_40716944的博客 1万+

手把手教你构建轻量级CLIP模型：从理论到实践

本文手把手教你从零构建一个轻量级CLIP模型，深入解析其核心原理——对比学习，并提供完整的代码实践。通过精简的模型架构、数据准备和训练循环实现，帮助读者彻底理解多模态模型如何让图像与文本在共享空间中对齐，为学习更复杂的AI模型打下坚实基础。

weixin_29100927的博客 320

AIDC智算中心建设：资源池化核心技术解析

AI 应用的POD在运行的时候，通过池化运行时访问虚拟GPU、执行AI任务，池化运行时拦截对虚拟GPU的访问请求、转递给池化服务代理执行，池化服务代理通过向智算池化控制器查询虚拟GPU所对应的真实智算资源位置、规格，按查询结果分配智算资源、执行AI任务，如果真实的智算资源位于远程计算节点，则由本地池化服务代理将访问请求转递给远程计算节点上的池化服务代理处理，相关通信经由参数面网络。

u013891230的博客 2422

YOLO11n动态库部署实战：Windows11 + C++ + OpenCV + DDL完整封装流程详解（保姆级教程）

本文详细记录了博主在Windows 平台下将 YOLO11n 模型封装为动态库DDL的完整流程与踩坑经历，内容涵盖：在 Windows 上搭建算法环境（基于 CPU）、编译 OpenCV 为静态库、使用 OpenCV 加载并推理 YOLO 模型文件、最终完成动态库的封装与调用验证。如果你也有类似的部署需求，或者在封装过程中遇到过各种问题，相信这篇“保姆级教程”能为你提供实用的参考和帮助！至此，YOLO11n 的动态库封装与部署流程圆满完成！生成的动态库已可在目标平台上直接调用，助力模型快速集成与部署。

zhizhimei的博客 3260

自主探索型AI Agent：LLM驱动的好奇心与学习动机

随着人工智能技术的飞速发展，传统的AI系统往往依赖于预设的规则和大量的标注数据，其自主学习和适应新环境的能力有限。自主探索型AI Agent旨在打破这种局限，能够在复杂、未知的环境中自主地进行探索、学习和决策。本文的目的是深入研究在大语言模型（LLM）驱动下，AI Agent如何产生好奇心和学习动机，以及如何实现自主探索的能力。范围涵盖了核心概念、算法原理、数学模型、项目实战、应用场景等多个方面，为读者提供一个全面的技术视角。本文将按照以下结构进行阐述：首先介绍相关背景知识，包括目的、读者和文档结构；

大模型应用工坊 994

YOLO11n入门学习之桌面app识别模型训练

本篇csdn主要是用于刚刚入门学习yolo11n模型的笔记，需要提前装备好yolo11n的虚拟环境，pycharm，以及labelimg图片标注app，这三个app可以在csdn中查找资料来补全，本篇文章主要用于实战训练，理论学习会在之后补齐。关于本次入门的训练结果，其大致效果如下：能够上传桌面的图片，然后识别出来，这里模型的训练我只标注了两个app，一个是WeChat，一个是回收站。

m0_56113565的博客 1381

如何做好软件需求分析？

软件需求分析也称为系统需求分析或需求分析工程等，是开发人员经过深入细致的调研和分析，准确理解用户和项目的功能、性能、可靠性等具体要求，将用户非形式的需求表述转化为完整的需求定义，从而确定系统必须做什么的过程。软件开发一般包括：可行性分析、需求分析、软件设计、软件开发、软件测试、软件实施、软件服务等步骤，需求分时软件开发的第一步骤。用户需求分析是指在系统设计之前和设计、开发过程中对用户需求所作的调查与分析，是系统设计、系统完善和系统维护的依据。

qq_41854911的博客 1409

逻辑电平（TTL/CMOS/LVDS/LVPECL/CML）

逻辑电平介绍 TTL------晶体管-晶体管逻辑门(Transistor-Transistor Logic gate) TTL采用5V电源

sinat_15677011的博客 2万+

YOLOv11| 一文搞懂yolo得最新作品YOLOv11，并训练自己的数据集

YOLOv11是ultralytics公司的最新作品，此公司还出了yolov5，yolov8。不得不说，ultralytics公司出品，必是精品。相比于YOLOv8，在YOLOv11中，将c2f变为C3K2，在SPPF后面添加了C2PSA，检测头内部替换了两个DWConv，模型的宽度和深度进行了大幅度的调整。

SQingL的博客 1万+

PyTorch实战（30）——使用TorchScript和ONNX导出通用PyTorch模型

在本节中，我们将深入探讨使用 TorchScript 导出 PyTorch 模型。通过序列化，TorchScript 使模型与 Python 生态系统独立，从而使得模型可以在其他环境中加载，例如基于 C++ 的环境。我们还跨越 Torch 框架与 Python 生态的边界，研究机器学习通用开放格式 ONNX，该技术能帮助我们将 PyTorch 训练的模型导出至非 PyTorch 甚至非 Python 环境。

盼小辉丶的博客 3359

YOLO11快速体验：加载yolo11n.pt模型做推理

本文介绍了如何在星图GPU平台上自动化部署YOLO11镜像，快速加载yolo11n.pt模型执行目标检测推理。开箱即用的环境支持对图片、视频等输入进行实时检测，典型应用于智能安防中的人车识别与定位，显著降低AI部署门槛。

weixin_42610671的博客 505

极验点选click3.1.0所对应fullpage.js的逆向分析

极验3代点选验证，本文适用于使用click.3.1.0.js和fullpage919-eyz9lh.js版本的web验证码，没有细节内容，适合有基础的开发者阅读。

shanf7921的博客 641

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

yolov11详细讲解，包括网络结构图、关键创新点、部署

摘要：YOLO11是Ultralytics于2024年9月发布的多任务视觉模型家族，支持检测、分割、分类等任务。其核心改进包括：1）采用C3k2模块替换YOLOv8的C2f，提升特征提取效率；2）在Backbone末端引入C2PSA注意力机制，增强小目标检测能力；3）保持PAN/FPN多尺度融合架构，但全面改用C3k2模块。官方数据显示，YOLO11在参数量减少22%的情况下，精度优于YOLOv8。模型支持TensorRT、ONNX等15+部署格式，其中TensorRT可实现5倍加速。关键特性是统一框架覆盖

m0_60827485的博客 2480

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
上一篇： 3. 深度学习之目标分割-语义分割模型
下一篇： 3. YOLO11模型代码解读（部分）
点赞 45
评论 0
书签 书签 158
FX_CMX
FX_CMX
博客等级 码龄15年 57粉丝 15原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值