[24.10] YOLOv11

Z. Yuan

Dosaid maintainer, Full-Stack AI Engineer

工程優化版

YOLOv11: An Overview of the Key Architectural Enhancements

---

難得 Ultralytics 發布新架構的時候會有論文。

不論如何，都應該鼓勵一下。

定義問題

物件偵測的舞台上，YOLO 這個名字已經喊了十年。

2015 年，Redmon 拿出一句口號：「You Only Look Once」。然後直接屏棄二階段的主流偵測架構，大刀闊斧地把偵測當成 回歸問題，一次性完成分類與定位。

自此之後，每一代 YOLO 都扮演著「即時偵測」的代名詞。

但是，隨著 YOLO 家族的演進，有兩個核心問題早已浮上檯面：

1. 效能與速度的兩難： 小模型跑得快，但不準；大模型準，但跑不快。
2. 多任務的整合：偵測、分割、姿態、旋轉框，這些需求在實務應用中同時存在，但過去的版本總是沒有辦法一起整合。

於是 Ultralytics 團隊試著把 YOLO 推進到一個 全能型視覺系統。

哦？有這種好事？我們一起來看看。

解決問題

YOLOv11 延續了 YOLOv9 與 YOLOv10 的設計基礎，整體架構仍然維持典型的三段式：

• Backbone → Neck → Head

其中，沒有徹底翻新的地方，但透過幾個局部改動，試圖在效能與效率上取得更穩定的表現。

Backbone：小幅度的替換

• C2f → C3k2

  舊版常用的 C2f block 被新的 C3k2 block 取代。

  這個改動的目的是單純追求「更快、更省」：把大卷積拆成小卷積，用較小的 kernel 做運算，以減少計算量與參數量。效果上，C3k2 在不犧牲太多準確度的情況下，帶來了更好的延遲－精度比。

  提示

  我們把架構畫出來看看，大致上是一樣的。

  就是把堆疊的部分從原本的 Bottleneck 抽換成 C3k 模組。

  C2f

  C3k2

• SPPF + C2PSA

  在 SPPF 模組之後，多了一個 C2PSA（Cross Stage Partial with Spatial Attention）。

  它讓模型能稍微更關注影像的關鍵區域，對於小物件或被遮擋的物體有幫助。

  不過，這樣的注意力設計並不算新穎，更多是一種「跟進潮流」的選擇。

  ---

  提示

  照例，這個新的 C2PSA 模組，我們也畫個圖來看一下。

  C2‑PSA

  PSA（Position‑Sensitive Attention）

  ConvAttention（PSA 內部 MHSA 細節）

Neck：特徵融合的小修正

Neck 的任務仍然是把不同解析度的特徵拉到一起。

這裡 YOLOv11 同樣換上 C3k2 block，同時搭配 C2PSA，讓融合過程在效率上稍微優化。

整體來說，這部分的改動讓 YOLOv11 在 速度－準確度曲線 上比 v8、v9 更好看一些。

Head：輸出層的延伸

在 Head 部分，YOLOv11 沒有大改結構，只是持續套用 C3k2 block 與 CBS（Conv-BN-SiLU），最後輸出邊界框、物件性分數與分類結果。

多任務的整合

YOLOv11 相較於過去版本，最明顯的改變並不是在偵測架構本身，而是它被正式定位為一個「多任務框架」。

如下表所示：

除了標準的物件偵測之外，Ultralytics 將 分割（segmentation）、姿態估計（pose）、旋轉框（OBB）、分類（classification） 都納入同一套系統，並提供相同的推論、驗證、訓練與匯出介面。

在實際應用上，這樣的整合具有一定意義。對於研究人員或產業開發者而言，過去往往需要依賴不同的工具鏈或分散的實作來處理偵測、分割、姿態等任務，如今可以透過 YOLOv11 的統一版本完成。

不過要注意的地方是 YOLOv11 並非在每個任務上都有領先的精度，更多時候是維持「可用且一致」的水準。

換句話說，它的優勢並不是單一任務的尖端性能，而是把多種電腦視覺需求收斂到同一個入口，形成一個相對穩定的多任務生態。這樣的定位也符合 Ultralytics 的產品策略，也讓 YOLO 系列在實務端可以覆蓋到更廣的應用場景。

討論

從官方的 benchmark 來看，YOLOv11 在速度與精度曲線上確實比前幾代更整齊一些。

不同尺寸的模型（n、s、m、x）在 COCO 上都取得了比 YOLOv8、YOLOv9、YOLOv10 略高的 mAP，同時維持相對較低的延遲。尤其是 YOLOv11m，在精度接近 YOLOv8l 的情況下，參數量與運算量都更低，顯示出這一代在「效率優化」上確實下了一些功夫。

在高延遲區間，大模型如 YOLOv11x 可以達到約 54.5% mAP@50–95，推理時間維持在 13ms 左右；而在低延遲區間，小模型如 YOLOv11s 能在 2–6ms 的範圍內仍維持約 47% mAP。這種分布讓 YOLOv11 在即時應用的不同需求下，都能找到合適的規模版本，算是一種實用上的便利。

結論

看完這篇論文，我們認為 YOLOv11 的貢獻更多體現在工程層面的微調，而非方法論上的突破。

它在 backbone、neck 與 head 全面換上 C3k2 模組，確實帶來了更好的參數效率與推理速度，也在低延遲場景下取得了不錯的表現。但這樣的改動並沒有改變 YOLO 的基本範式，就只是對現有設計的優化。

照理講，這種提升的幅度並不足以支撐「下一代架構」的定位......

不過誰知道呢，反正它是發版了，我們就接受了吧。