139、PixelShuffle 亚像素卷积上采样的 YOLOv11 代码实现与通道重建的适配细节一、一个让我熬夜到凌晨三点的bug去年秋天，我在做YOLOv11的Neck结构轻量化改造。当时想把FPN中的最近邻上采样换成PixelShuffle，直觉告诉我这能提升小目标检测精度。改完代码，训练了12个epoch，mAP@0.5:0.95从0.523掉到了0.487。我盯着loss曲线看了半小时，发现训练初期loss下降正常，但到第8个epoch后开始震荡。排查了三天，最后发现是通道数没对齐——YOLOv11的Neck里，上采样前的特征图通道数是256，而PixelShuffle要求输入通道数必须是输出通道数的平方倍。这个细节让我浪费了整整一周的算力。今天就把这个坑填上，顺便把完整的适配方案写清楚。二、PixelShuffle的核心机制与YOLOv11的冲突点PixelShuffle（亚像素卷积）最早在ESPCN超分网络里提出，核心思想是把通道维度上的信息“重新排列”到空间维度。公式很简单：输入形状为[B, C*r^2, H, W]，输出为[B, C, H*r, W*r]，其中r是上采样倍数。YOLOv11的Neck结构里，上采样操作出现在两个地方：FPN自顶向下路径：从P5到P4，特征图尺寸翻倍，通