YOLOv11改进，YOLOv11检测头融合DiverseBranchBlock(多样分支块)，并添加小目标检测层（四头检测），适合目标检测、分割等任务

摘要

一种卷积神经网络（ConvNet）的通用构建模块，以在不增加推理时间成本的情况下提高性能。该模块被命名为多样分支块（Diverse Branch Block，DBB），通过结合不同尺度和复杂度的多样分支来丰富特征空间，包括卷积序列、多尺度卷积和平均池化，从而增强单个卷积的表示能力。在训练后，DBB可以等效地转换为一个单独的卷积层以进行部署。与新型ConvNet架构的进步不同，DBB在保持宏观架构的同时复杂化了训练时的微观结构，因此它可以作为任何架构的常规卷积层的替代品。通过这种方式，模型可以训练到更高的性能水平，然后转换为原始推理时的结构进行推理。DBB在图像分类（ImageNet上最高提高1.9%的top-1准确率）、目标检测和语义分割方面提高了ConvNet的性能。

DiverseBranchBlock介绍

多样分支块（DiverseBranchBlock）的代表性设计如下图所示（摘自论文）：

1.DiverseBranchBlock(DBB)采用多分支拓扑结构，包括多尺度卷积、顺序1×1 - K×K卷积、平均池化和分支相加。这些具有不同感受野和复杂度的路径操作可以丰富特征空间，就像Inception架构一样。
2.DiverseBranchBlock(DBB)可以在推理时等效地转换为单个卷积。给定一个架构，可以用DBB替换一些常规卷积层，以构建更复杂的训练微观结构，并将其转换回原始结构，这样在推理时不会有额外的成本。

理论详解可以参考链接：论文地址
代码可在这个链接找到：代码地址

小目标理论

在YOLOv11 中，输入图像的尺寸为 640x640x3，经过 8 倍、16 倍和 32 倍下采样后分别得到 80x80、40x40 以及 20x20 大小的特征图，网络最终在这三个不同尺度的特征图上进行目标检测。在这三个尺度的特征图中，局部感受野最小的是 8 倍下采样特征图，即如果将该特征图映射到原输入图像，则每个网格对应原图 8x8 的区域。对于分辨率较小的目标而言，8 倍下采样得到的特征图感受野仍然偏大，容易丢失某些小目标的位置和细节信息。为了改善目标漏检现状，对 YOLOv8 的 Head 结构进行优化，在原有的三尺度检测头的基础之上，新增一个针对微小目标检测的检测头 ，YOLOv11 原有 P3、P4 和 P5 这 3 个输出层，分别用于检测小、中、大目标，增加 P2 检测层后，网络能在4个不同尺度的特征图上做检测，P2 能检测到最小目标分辨率为 4x4。通过增加小尺度检测头的方式，整个网络能在 4 倍、8 倍、16 倍和 32 倍下采样特征图上预测不同尺度的目标，大幅度提高了算法的