隨著深度學習技術的發展，目標檢測在自動駕駛、智能監控、工業質檢等場景中得到了廣泛應用。針對當前主流目標檢測模型在邊緣設備部署中所面臨的計算資源受限和推理效率瓶頸問題，YOLO系列作為單階段目標檢測框架的代表，憑借其高精度與高速度的平衡優勢，在工業界具有極高的應用價值。然而，YOLOv11等最新版本在追求更高精度的過程中，往往引入了更大規模的網絡結構，限制了其在嵌入式或移動端設備上的部署能力。為此，本文提出一種基于YOLOv11的改進型輕量化目標檢測架構，該模型融合了多尺度注意力機制(Multi-Scale Attention)與反向殘差移動塊 (Inverted Residual Mobile Block, iRMB)，旨在實現 精度與效率雙贏 的輕量化目標檢測新范式。該方案不僅增強了模型對關鍵特征的關注能力，還在保持高精度的同時顯著降低模型參數量與計算復雜度，并通過高效的模塊設計顯著降低了計算開銷。

1. iRMB注意力機制

論文地址：https://arxiv.org/pdf/2301.01146
代碼地址：