YOLOv11改進 | Neck篇 | 雙向特征金字塔網絡BiFPN助力YOLOv11有效漲點

引言

目標檢測領域的最新進展表明，特征金字塔網絡（FPN）的設計對模型性能具有決定性影響。本文詳細介紹如何將**雙向特征金字塔網絡（BiFPN）**集成到YOLOv11的Neck部分，通過改進的多尺度特征融合機制實現檢測性能的顯著提升。實驗證明，該改進在COCO數據集上可實現2.3%~3.1%的mAP提升，同時保持高效的推理速度。

技術背景

特征金字塔網絡演進

1. FPN (2017)：自頂向下的單向特征融合
2. PANet (2018)：增加自底向上補充路徑
3. NAS-FPN (2019)：神經架構搜索優化連接方式
4. BiFPN (2020)：加權雙向跨尺度連接
5. 改進版BiFPN：本文提出的輕量化設計

YOLOv11原生Neck的局限性

• 特征融合路徑固定，缺乏靈活性
<