YOLOv11改进系列 | 原创C3k2_ConvFormerCGLU模块，SepConv Token混合叠加卷积门控FFN，特征表达更强

YOLOv11-seg改进 | C3k2_ConvFormerCGLU卷积Token混合与门控FFN全流程指南

• • 一、本文简介
  • • 1.1 原始 C3k2 的局限
    • 1.2 C3k2_ConvFormerCGLU 的核心改动
    • 1.3 参数量 / GFLOPs 实测对比
  • 二、模块原理详解
  • • 2.1 层级结构总览
    • 2.2 SepConv：ConvFormer 的卷积式 Token Mixer
    • 2.3 ConvolutionalGLU：TransNeXt 的门控前馈网络
    • 2.4 MetaFormerCGLUBlock 的完整前向路径
    • 2.5 与原始 C3k2 的结构差异
  • 三、改进思想与创新点
  • • 3.1 背景与动机
    • 3.2 创新点一：用 SepConv 替换普通 Bottleneck 的空间混合方式
    • 3.3 创新点二：用 CGLU 替代普通 MLP
    • 3.4 创新点三：以 C3k2 兼容方式完成二次创新
    • 3.5 与相近模块对比
    • 3.6 在 YOLOv11 中的适配状态
  • 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/metaformer.py`
    • 4.5 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：深层语义增强
    • 6.4 变体四：P2 四尺度小目标增强
  • 七、常见问题
  • • 7.1 `NameError: name 'C3k2_ConvFormerCGLU' is not defined`
    • 7.2 需要额外安装第三方依赖吗
    • 7.3 与 `C3k2_ConvFormer` 有什么区别
    • 7.4 如何把分割头改成检测头
    • 7.5 YAML 参数如何理解
  • 八、总结