YOLO11 改进 | C3k2_TSSA Token 统计自注意力替换 C3k2 全流程指南
- 一、本文简介
- 二、模块原理详解
- 2.1 模块层级结构总览
- 2.2 核心模块：AttentionTSSA_Meta（Token 统计自注意力）
- 2.3 MetaFormerBlock（统一的 Token Mixer 容器）
- 2.4 C3k_TSSA（深层精度增强模式）
- 2.5 C3k2_TSSA（最终模块）
- 三、改进思想与创新点
- 3.1 背景与动机
- 3.2 核心创新点
- 3.3 与现有注意力改进方案的对比
- 3.4 在 YOLOv11 框架中的适配设计
- 四、完整代码
- 五、手把手配置步骤
- Step 1：确认 `block.py` 已正确导入
- Step 2：确认 `tasks.py` 已注册 C3k2_TSSA
- Step 3：训练
- 六、YAML 配置文件（多种改进形式）
- 形式一：全面替换（Backbone + Head 全部用 C3k2_TSSA）
- 形式二：仅替换 Backbone（Head 保留原版 C3k2）
- 形式三：全 C3k 精度优先模式（c3k=True，注意力最强）
- 形式四：混合模式（浅层 MetaFormerBlock + 深层 C3k_TSSA）
- 形式五：P2 四尺度分割版（适合小目标）
- 七、常见问题
- 八、总结
专栏系列：YOLOv11 注意力机制改进实战
改进点：将 Backbone 与 Head 中的C3k2模块替换为基于Token 统计自注意力（TSSA）的C3k2_TSSA，在 MetaFormer 框架下用统计量驱动注意力，以极低的额外开销显著增强特征判别能力，适合高精度实例分割场景。
一、本文简介
C3k2是 YOLOv11 的核心特征提取模块，但其内部的标准 Bottleneck 仅依赖局部卷积操作，缺乏对全局上下文的感知能力。在实例分割任务中，密集目标的区分、遮挡场景的处理都需要更强的全局关系建模能力。
本文引入发表于ICLR 2025的Token Statistics Transformer（ToST）中的核心注意力机制AttentionTSSA_Meta，将其嵌入 C3k2 框架，构造出C3k2_TSSA模块。
核心改动：
- 将 C3k2 内部的 Bottleneck 替换为MetaFormerBlock，采用
AttentionTSSA_Meta作为 Token Mixer；
