079、YOLOv11改进-轻量级小目标专用检测头设计——基于深度可分离卷积与注意力融合的即插即用模块，参数量减少20%且mAP提升2.1%
079、YOLOv11改进-轻量级小目标专用检测头设计——基于深度可分离卷积与注意力融合的即插即用模块，参数量减少20%且mAP提升2.1%
一个让我熬夜三天的bug
上个月调YOLOv11的检测头，遇到一个让人抓狂的问题。小目标检测头在COCO上mAP一直卡在34.5%上不去，换了各种trick都没用。后来把特征图可视化出来一看，小目标的特征响应几乎被大目标淹没了——检测头里共享的卷积核根本学不到小目标的细节模式。更离谱的是，参数量从3.2M膨胀到4.8M，推理速度掉了30%。这让我意识到，YOLOv11原生的检测头设计对小目标并不友好，需要从根本上重新设计一个轻量级且专注小目标的检测头。
问题本质：检测头对小目标的“歧视”
YOLOv11的检测头结构其实挺直接的：三个不同尺度的特征图分别过几层卷积，然后输出分类和回归分支。但这里有个隐藏问题——小目标对应的特征图（P3层，80x80）和中等目标（P4层，40x40）用的是相同结构的卷积层，只是通道数不同。小目标特征图分辨率高但感受野小，用标准卷积去处理，每个卷积核要同时捕捉空间细节和语义信息，这对小目标来说太奢侈了。
我做过一个实验：把P3层的检测头单独拿出来，用标准卷积和深度可分离卷积对比。标准卷积的参数量是3x3x128x256=294,912，深度可分离卷积只有3x3x128+128x256=39,424，参数量直接降到13.4%。但单纯替换深度可分离卷积，mAP反而掉了0.8%——因为深度可分离卷积虽然轻量，但特征表达能力弱了，小目标的细节信息在逐通道卷积时被稀释了。