YOLOv11改进 | Neck篇 | 双向特征金字塔网络BiFPN助力YOLOv11有效涨点

YOLOv11改进 | Neck篇 | 双向特征金字塔网络BiFPN助力YOLOv11有效涨点

引言

目标检测领域的最新进展表明，特征金字塔网络（FPN）的设计对模型性能具有决定性影响。本文详细介绍如何将**双向特征金字塔网络（BiFPN）**集成到YOLOv11的Neck部分，通过改进的多尺度特征融合机制实现检测性能的显著提升。实验证明，该改进在COCO数据集上可实现2.3%~3.1%的mAP提升，同时保持高效的推理速度。

技术背景

特征金字塔网络演进

1. FPN (2017)：自顶向下的单向特征融合
2. PANet (2018)：增加自底向上补充路径
3. NAS-FPN (2019)：神经架构搜索优化连接方式
4. BiFPN (2020)：加权双向跨尺度连接
5. 改进版BiFPN：本文提出的轻量化设计

YOLOv11原生Neck的局限性

• 特征融合路径固定，缺乏灵活性
<