前言本文介绍了焦点调制网络FocalNets及其在YOLOv11中的结合应用。FocalNets完全用焦点调制模块替代自注意力该模块由焦点上下文化、门控聚合和逐元素仿射变换组成能有效建模视觉中的标记交互。它通过局部特征聚焦、全局信息调制和多尺度处理增强模型表达能力。我们将FocalModulation模块集成进YOLOv11。文章目录 YOLOv11改进大全卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总专栏链接: YOLOv11改进专栏介绍摘要本研究提出焦点调制网络FocalNets该网络采用焦点调制模块完全替代自注意力SA机制用于视觉任务中的标记交互建模。焦点调制模块由三个核心组件构成i焦点上下文化组件通过深度卷积层序列实现从短距离到长距离的视觉上下文编码ii门控聚合组件选择性将上下文信息聚合至每个查询标记的调制器中iii逐元素仿射变换组件将调制器注入查询标记。大量实验验证表明FocalNets展现出卓越的可解释性特征并在图像分类、目标检测及分割任务中以相近计算成本超越了当前最先进的SA模型如Swin和Focal Transformers。具体而言FocalNets小型与基础版本在ImageNet-1K数据集上分别实现了82.3%和83.9%的top-1准确率在ImageNet-22K数据集以224×224分辨率预训练后微调至224×224和384×384分辨率时分别达到86.5%和87.3%的top-1准确率。在目标检测任务中基于Mask R-CNN框架的FocalNet基础版本以1×训练计划超越Swin对照组2.1个百分点且已超过采用3×训练计划的Swin模型49.0对48.5在语义分割任务中基于UPerNet框架的FocalNet基础版本在单尺度测试下超越Swin模型2.4个百分点多尺度测试下同样表现优异50.5对49.7。进一步地采用大型FocalNet与Mask2former组合在ADE20K语义分割任务中达到58.5 mIoU在COCO全景分割任务中获得57.9 PQ采用巨型FocalNet与DINO组合在COCO minival和test-dev数据集上分别实现64.3和64.4 mAP显著超越Swinv2-G和BEIT-3等基于注意力机制的大型模型。这些系统性实验结果充分证明焦点调制机制在视觉计算领域具有重要应用价值与发展潜力。文章链接论文地址论文地址代码地址代码地址基本原理Focal Modulation机制旨在结合CNNs和自注意力机制的优点通过在不同的空间尺度上聚焦Focal和调制Modulation特征来增强模型的表达能力。具体来说Focal Modulation包含以下几个关键组件局部特征聚焦Local Focalization- 通过聚焦机制在局部区域内提取特征类似于卷积操作。这有助于捕捉局部模式和细节。全局信息调制Global Modulation- 在全局范围内对特征进行调制类似于自注意力机制。这有助于整合全局上下文信息使模型能够理解更广泛的特征关系。多尺度处理Multi-Scale Processing- 通过在不同尺度上进行特征提取和调制Focal Modulation能够同时处理图像中的细节和整体结构。这种多尺度特性使得模型在处理复杂场景时更具鲁棒性。具体实现Focal Modulation的具体实现可以通过以下步骤进行特征提取- 使用卷积层或其他局部运算层提取初始特征。局部聚焦- 对提取的特征进行局部聚焦操作可以采用池化Pooling或注意力机制来实现。全局调制- 利用全局上下文信息对局部聚焦后的特征进行调制。这可以通过全局注意力层或其他全局运算层实现。多尺度融合- 将不同尺度上的特征进行融合通过跳跃连接Skip Connections或金字塔结构Pyramid Structure来整合多尺度信息。核心代码class FocalModulation(nn.Module): 焦点调制模块 Args: dim (int): 输入通道数。 proj_drop (float, optional): 输出的dropout比率。默认值0.0 focal_level (int): 焦点层级的数量 focal_window (int): 焦点层级1的焦点窗口大小 focal_factor (int, default2): 增加焦点窗口的步长 use_postln (bool, defaultFalse): 是否使用后调制层归一化 def __init__(self, dim, proj_drop0., focal_level2, focal_window7, focal_factor2, use_postlnFalse): super().__init__() self.dim dim # 焦点调制模块的特定参数 self.focal_level focal_level self.focal_window focal_window self.focal_factor focal_factor self.use_postln use_postln # 线性层输出维度为2*dim(焦点层级数1) self.f nn.Linear(dim, 2*dim(self.focal_level1), biasTrue) # 1x1卷积层输入和输出通道数均为dim self.h nn.Conv2d(dim, dim, kernel_size1, stride1, padding0, groups1, biasTrue) # GELU激活函数 self.act nn.GELU() # 线性层输入和输出维度均为dim self.proj nn.Linear(dim, dim) # Dropout层使用给定的丢弃比率 self.proj_drop nn.Dropout(proj_drop) # 存储焦点层的列表 self.focal_layers nn.ModuleList() if self.use_postln: # 如果使用后调制层归一化定义层归一化层 self.ln nn.LayerNorm(dim) # 构建每个焦点层 for k in range(self.focal_level): # 根据层级计算卷积核大小 kernel_size self.focal_factor*k self.focal_window self.focal_layers.append( nn.Sequential( nn.Conv2d(dim, dim, kernel_sizekernel_size, stride1, groupsdim, paddingkernel_size//2, biasFalse), nn.GELU(), ) ) def forward(self, x): 前向传播函数 Args: x: 形状为(B, H, W, C)的输入特征 B, nH, nW, C x.shape # 通过线性层f得到形状为(B, H, W, 2*C 焦点层级数1)的张量 x self.f(x) # 将通道维度移动到第二维并转换为连续内存布局 x x.permute(0, 3, 1, 2).contiguous() # 将张量x拆分为查询q、上下文ctx和门控信号gates q, ctx, gates torch.split(x, (C, C, self.focal_level1), 1) ctx_all 0 # 处理每个焦点层级 for l in range(self.focal_level): ctx self.focal_layers[l](ctx) ctx_all ctx_all ctx*gates[:, l:l1] # 计算全局上下文并应用激活函数 ctx_global self.act(ctx.mean(2, keepdimTrue).mean(3, keepdimTrue)) ctx_all ctx_all ctx_global*gates[:,self.focal_level:] # 查询q与处理后的上下文相乘 x_out q * self.h(ctx_all) # 将通道维度移动到最后并转换为连续内存布局 x_out x_out.permute(0, 2, 3, 1).contiguous() # 如果使用后调制层归一化应用层归一化 if self.use_postln: x_out self.ln(x_out) # 通过线性层和Dropout层 x_out self.proj(x_out) x_out self.proj_drop(x_out) return x_out实验脚本import warnings warnings.filterwarnings(ignore) from ultralytics import YOLO if __name__ __main__: # 修改为自己的配置文件地址 model YOLO(/root/ultralytics-main/ultralytics/cfg/models/11/yolov11-FocalModulation.yaml) # 修改为自己的数据集地址 model.train(data/root/ultralytics-main/ultralytics/cfg/datasets/coco8.yaml, cacheFalse, imgsz640, epochs10, single_clsFalse, # 是否是单类别检测 batch8, close_mosaic10, workers0, optimizerSGD, ampTrue, projectruns/train, nameFocalModulation, )结果