YOLOv11-seg改进系列 | 基于原创C3k2_CaFormerCGLU模块，自注意力Token Mixer叠加卷积门控FFN，复杂场景分割更稳

YOLOv11-seg改进 | C3k2_CaFormerCGLU自注意力Token混合与卷积门控全流程指南

• • 一、本文简介
  • • 1.1 原始 C3k2 的局限性
    • 1.2 C3k2_CaFormerCGLU 的核心改动
    • 1.3 改进前后参数量 / GFLOPs 对比
  • 二、模块原理详解
  • • 2.1 层级结构总览
    • 2.2 MF_Attention：CaFormer 的 Token Mixer
    • 2.3 ConvolutionalGLU：卷积门控 FFN
    • 2.4 MetaFormerCGLUBlock 的完整前向
    • 2.5 C3k2_CaFormerCGLU 的模块定位
  • 三、改进思想与创新点
  • • 3.1 背景与动机
    • 3.2 核心创新点
    • 3.3 与现有方案的对比
    • 3.4 在 YOLOv11 中的适配方式
  • 四、完整代码
  • • 4.1 来自 `ultralytics/nn/extra_modules/metaformer.py`
    • 4.2 来自 `ultralytics/nn/extra_modules/metaformer.py`
    • 4.3 来自 `ultralytics/nn/extra_modules/metaformer.py`
    • 4.4 来自 `ultralytics/nn/extra_modules/block.py`
  • 五、手把手配置步骤
  • • Step 1：确认 `extra_modules/__init__.py` 导入状态
    • Step 2：确认 `tasks.py` 注册状态
    • Step 3：训练 / 验证调用示例
  • 六、YAML 配置文件
  • • 6.1 变体一：全面替换
    • 6.2 变体二：仅替换 Backbone
    • 6.3 变体三：精度优先模式
    • 6.4 变体四：混合模式
    • 6.5 变体五：P2 四尺度版本
  • 七、常见问题
  • • 7.1 `NameError: name 'C3k2_CaFormerCGLU' is not defined`
    • 7.2 与 `C3k2_CaFormer` 的主要区别是什么
    • 7.3 如何把分割头改成检测头
    • 7.4 YAML 参数如何理解
  • 八、总结