返回論文筆記資料庫
arXiv 2024物件偵測論文筆記

YOLOv11

工程優化版

原始論文

YOLOv11: An Overview of the Key Architectural Enhancements

論文作者

Rahima Khanam · Muhammad Hussain

發表版本
正式發表資訊尚未核實
arXiv 首次提交
arXiv:2410.17725
引用此論文 · BibTeX

引用資料對應所連結的論文版本,作者為原論文作者。

@misc{objectdetectionyolov112024,
  title = {{YOLOv11: An Overview of the Key Architectural Enhancements}},
  author = {Rahima Khanam and Muhammad Hussain},
  year = {2024},
  eprint = {2410.17725},
  archivePrefix = {arXiv},
  url = {https://arxiv.org/abs/2410.17725}
}
本頁內容

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

這篇論文是第三方對 YOLO11 的架構整理;以下模組細節也對照 Ultralytics 的官方模型設定與實作。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。

    C3k2 沿用 C2f 的拆分與串接骨架,內部單元則依模型尺寸與設定選用 Bottleneck 或 C3k;它不是把一個大卷積直接拆成兩個小卷積。官方整體測試顯示 YOLO11 有不錯的延遲-精度取捨,但不能只憑這張架構圖把增益全歸因於 C3k2。

  • SPPF + C2PSA

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

    它在部分通道上使用注意力,讓模型能結合不同位置的特徵;論文推測這對小物件或遮擋情況可能有幫助,但沒有單獨提供這兩類情況的消融數據。

    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。


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 同樣使用 C3k2 block 來處理上採樣、下採樣與串接後的特徵;C2PSA 則位於 SPPF 後的 backbone 末端。

整體架構的 速度-準確度曲線 見下方比較圖;圖本身無法分離 neck 改動的單獨貢獻。

Head:輸出層的延伸

模型設定中的 head 包含使用 C3k2 block 的特徵融合路徑;最後的 Detect 層從三個尺度的特徵圖,以分開的分支預測邊界框與類別分數。YOLO11 的 Detect 層沒有獨立的物件性分數輸出。

多任務的整合

YOLO11 也沿用 Ultralytics 的「多任務框架」定位;這是不同任務的模型變體共用工具介面,並非單一模型同時完成所有任務。

如下表所示:

除了標準的物件偵測之外,Ultralytics 也提供分割(segmentation)、姿態估計(pose)、旋轉框(OBB)、分類(classification)的 YOLO11 變體,並提供一致的推論、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,可以在同一套工具鏈中選用偵測、分割、姿態等不同任務的 YOLO11 模型。

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

這張來自論文的比較圖,橫軸是 T4 GPU 上 TensorRT 10 FP16 的單張延遲,縱軸是 COCO val mAP@50–95;比較時要同時看準確率與延遲。

圖中的 YOLO11 n、s、m、x 在各自的延遲位置形成一條較有競爭力的曲線,不能解讀成每種尺寸都在相同條件下勝過所有 YOLOv8、YOLOv9、YOLOv10 變體。以官方表格為例,YOLO11m 的 51.5 mAP 低於 YOLOv8l 的 52.9,但參數量從 43.7M 降到 20.1M;這是準確率與模型大小之間的取捨。

在圖中的高延遲區間,YOLO11x 約為 54.5 mAP@50–95、12~13ms;在低延遲區間,YOLO11s 約為 47 mAP、2.5ms。這些數字取決於圖示測試的硬體、精度與推論後端,實際應用仍需按部署環境量測。

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。