卷积改进与轻量化：Omni-Kernel 大核卷积设计：31×31 深度卷积搭配轴向分解，无缝接入 YOLOv11

一、写在前面

2025年下半年，YOLO家族在Ultralytics的推动下再次步入高速迭代通道。根据Ultralytics官方在YOLO Vision 2024活动上的正式发布，YOLO11作为新一代旗舰检测模型，以更少的参数量实现了更高的精度和更快的推理速度，重新定义了实时目标检测的技术边界。YOLO11引入了全新的C3k2 模块（Cross Stage Partial with kernels）、SPPF 快速空间金字塔池化以及C2PSA 空间注意力机制，在主干网络中实现了高效的特征提取和多尺度表示学习。

然而，在真实的工业落地场景中——无论是无人机视角的高分辨率巡检，还是边缘设备上的实时人群追踪——模型对极大感受野的需求与严格的轻量化约束之间的矛盾日益尖锐。传统的YOLO backbone主要依赖3×3小卷积核的堆叠来逐步扩大感受野，这种方式在面对大尺寸目标或需要长距离上下文理解的任务时，有效感受野的增长速度远远跟不上需求。

与此同时，卷积神经网络的“大核复兴”正在如火如荼地上演。从RepLKNet（31×31）到SLaK（51×51稀疏卷积核），再到2024年OKNet中引入的63×63超大深度可分离卷积，研究者们反复验证了一个核心事实：只要设计得当，超大卷积核不仅可行，而且高效。

本文正是在这一技术背景下，提出了一种全新的YOLOv11 backbone改进方案：