130、共享卷积 Head：分类和回归分支共享前三层卷积的参数共享策略与效果

130、共享卷积 Head：分类和回归分支共享前三层卷积的参数共享策略与效果

从一次诡异的mAP震荡说起

去年年底调一个YOLOv8的工业检测项目，分类和回归分支各自独立，训练到第120个epoch时mAP突然从0.87掉到0.82，然后又在10个epoch内弹回0.88。我盯着WandB的曲线看了半小时，发现分类分支的loss在震荡，回归分支却稳如老狗。直觉告诉我——两个分支的卷积层在互相“打架”，尤其是浅层特征提取部分，它们学到的模式高度重叠，但参数却各自独立更新，导致梯度方向不一致。

这个现象在YOLOv5时代就有人提过，但当时大家更关注Neck结构。直到YOLOv8把Head改成解耦结构（Decoupled Head），分类和回归分支各自拥有独立的3x3卷积层，问题才被放大。我当时的解决方案很简单：让两个分支共享前三层卷积的参数，只在最后一层分开。效果立竿见影，mAP稳定了，参数量还降了15%。

共享卷积Head的设计思路

YOLOv11的Head结构延续了YOLOv8的解耦设计，但多了一个细节：每个分支内部有3个连续的3x3卷积层（带BN和SiLU），然后接各自的输出层。分类分支输出形状为[B, num_classes, H, W]，回归分支输出[B, 4*reg_max, H, W]（这里reg_max是DFL的bin数，YOLOv11默认16）。

共享策略的核心是：分类和回归分支的前k层（这里k=3）共用同一组