.0
.02
.03
.04
基于Transformer的骨干网络：YOLOv11首次引入Transformer作为骨干网络，能够捕捉长程依赖关系，这在小物体检测上尤为显著。 动态头部设计：根据图像复杂度自适应分配资源，优化了计算效率，处理速度更快。 无NMS（非极大值抑制）训练：YOLOv11用更高效的算法取代了传统NMS，从而在不牺牲准确性的情况下减少了推理时间。 双重标签分配：针对重叠和密集物体的检测，采用了一对一和一对多的标签分配方式，提高了识别效果。 大核卷积：在减少计算资源消耗的同时，实现了更好的特征提取，进一步提升模型性能。 部分自注意力（PSA）机制：有选择性地对特定部分的特征图施加注意力机制，在不增加计算成本的情况下提高了全局表示学习能力。
延迟：与YOLOv10相比，延迟降低了25-40%，非常适合实时应用。 准确性：在参数更少的情况下，mAP提高了10-15%。 速度：能够每秒处理60帧，使其成为最快的目标检测模型之一。
.05
自动驾驶汽车：提高小目标和遮挡目标的检测能力，增强安全性和导航能力。 医疗保健：YOLOv11的精确性有助于医学成像任务，如肿瘤检测，准确性至关重要。 零售和库存管理：跟踪客户行为，监控库存，并在零售环境中增强安全性。 监控：其速度和准确性使其适合实时监控和威胁检测。 机器人技术：YOLOv11使机器人能够更好地导航环境并自主与目标互动。
.06
参考：
https://docs.ultralytics.com/models/yolo11/
