【YOLOv11】088、YOLOv11与图神经网络：当检测器学会“看关系”
一、从一次诡异的漏检说起
上周在调试一个交通监控项目时，遇到个头疼的问题：YOLOv11在密集车流中，对部分被严重遮挡的车辆总是漏检。
明明车尾灯还露出一角，边界框也隐约可见，但模型就是“视而不见”。加大训练数据、调高输入分辨率、甚至用更重的Backbone，效果都不明显。
直到某天盯着可视化特征图发呆时突然意识到——模型在独立处理每个网格的预测，它看到的是像素块，而不是物体之间的空间关系。两辆车并排时，即便一辆只露出三分之一，另一辆的完整轮廓其实已经暗示了它的存在。这种“结构感知”能力，正是传统检测器的盲区。
于是想到了图神经网络（GNN）。能不能让YOLO在推理时，不仅看像素，还能“看懂”物体之间的拓扑关系？
二、GNN能为YOLO带来什么？
图神经网络的核心思想很直观：将物体视为图中的节点，物体之间的关系（空间距离、尺度比例、类别关联等）作为边，通过消息传递机制让节点之间交换信息。对于检测任务，这意味著：
- 遮挡推理：被遮挡物体的特征可以通过相邻物体的特征进行增强
- 上下文感知：工地场景的“人”旁边很可能有“安全帽”，模型可以利用这种共现关系
- 几何一致性约束：车辆不会悬空在树梢，GNN可以隐式学习这种物理约束
但问题来了：YOLO是典型的一阶段密集预测模型，GNN通常处理的是稀疏图结构。怎么把这两者拧到一起？
<