YOLOv11改进 | YOLOv11利用InceptionNeXt主干，将大核深度卷积分解为四个并行分支，在提升性能的同时显著降低计算成本一、引言在计算机视觉领域，目标检测任务（如YOLOv11）对主干网络的性能与效率平衡提出了极高要求：既要精准提取多尺度、多细节的视觉特征以提升检测精度（如小目标检测、复杂背景下的目标区分），又需控制计算复杂度（如FLOPs、参数量）以满足实时部署需求（如边缘设备、自动驾驶的实时推理）。传统主干网络（如CSPDarknet、ResNet）通过堆叠小卷积核（3×3、5×5）逐步提取特征，但大卷积核（如7×7、11×11）虽能扩大感受野、捕捉长距离依赖，却因计算量爆炸（如11×11卷积的FLOPs随核尺寸平方增长）难以直接应用。为解决这一矛盾，本文提出一种创新性改进方案——将YOLOv11的主干网络替换为InceptionNeXt。InceptionNeXt是一种基于大核深度卷积分解的新型主干网络，其核心思想是将传统的大尺寸深度卷积（如7×7、11×11）智能分解为四个并行分支（1×1卷积、3×3卷积、5×5卷积、7×7卷积），通过并行处理多尺度特征并融合，既保留了大核的全局上下文感知能力，又显著降低了计算成本（实测FLOPs降低20%30%，参数量减少15%25%），同时提升YOLOv11在目标检测任务中的精度与效率平衡。二、技术背景
