YOLO11性能暴增：主干网络升级 | 替换为DenseNet密集连接结构改造版，特征极致复用，缓解梯度消失

写在前面：本文所有代码、配置、测试结果均为2025年4月至5月实际跑通并记录，模型版本基于Ultralytics 8.3.197，DenseNet结构参考近3个月社区讨论与开源实现。全文约1.2万字，建议收藏后配合实践。

一、我们遇到了什么问题？

1.1 YOLO11的现状与瓶颈

YOLO11是Ultralytics在2025年持续迭代的重量级目标检测模型，在YOLOv8的基础上进行了架构和训练方法的重大改进。根据Ultralytics官方文档，YOLO11引入了C3k2模块和C2PSA特征增强模块，在COCO数据集上取得了优于YOLOv8和YOLOv10的综合表现，被描述为“以尖端的准确性、速度和效率重新定义了可能性”。然而，在实际落地中，我们仍然发现了一些明显的短板：

• 小目标检测困难：在无人机航拍、遥感影像等场景下，对于占像素面积小于32×32的目标，漏检率偏高；
• 深层网络梯度衰减：YOLO11的主干网络基于CSPDarknet，虽然通过跨阶段局部连接缓解了梯度消失，但在训练超深层（≥100层）变体时，梯度信息仍然逐渐稀释，导致浅层特征学习不充分；
• 特征复用效率不高：标准的CSPDarknet骨干网中，每一层仅与下一层直接相连，层间特征传递是“链式”的，早期的浅层特征（如边缘、纹理）需要经过多层传递才能到达深层，信息衰减