YOLO11涨点优化：特征融合优化 | 引入SDI (多层次特征融合) 模块，低层细节与高层语义的完美映射，助力微小目标

一、问题场景：你的YOLO11在微小目标面前为什么频频“失明”？

小目标检测一直是目标检测领域的核心痛点。在实际项目中，无论是无人机航拍的远距离车辆、工业产线上的细微瑕疵、医学影像中的早期病灶，还是安防监控中远处的人脸，都属于“微小目标”范畴——它们在图像中仅占据几十甚至几个像素，极易被模型忽略或误判。

根据Ultralytics官方文档，YOLO11是当前最新稳定且推荐的版本，YOLO11m在COCO数据集上以比YOLOv8m少22%的参数实现了更高的mAP。2026年3月12日，MLCommons正式宣布YOLO11被采纳为MLPerf Inference v6.0 Edge套件官方目标检测模型，YOLO11l变体在COCO上达到53.4% mAP，以仅25.3M参数超越了YOLOv8l的52.9%，被官方评价为“参数效率和原始精度的重大飞跃”。

然而，做过实际项目的人都知道一个残酷的真相：原生YOLO11在面对微小目标时依然频频翻车。根据2025年发表在IEEE的一篇论文，尽管YOLO11在通用目标检测上实现了速度与精度的出色平衡，但在小目标、遮挡目标和密集排列目标上的表现仍受传统卷积架构的固有局限所约束。

而这背后的根本原因，就藏在YOLO11的Neck结构中。

YOLO11的Neck沿用经典的PANet结构，由C3k2模块堆叠而成，在Fusion层采用Concat拼接，走的是一条“自顶向下 + 自底向上”的双向路径。这个设计的哲学可以概括为八个字——层间强交互，层内弱