YOLOv5改进AsymptoticFPN：优化渐近特征金字塔网络，增强非相邻层的直接交互，提升YOLO系列计算机视觉的效率

### YOLOv11 中 FPN 结构的改进 #### 双向特征金字塔网络 BiFPN 的应用 在YOLOv11中，为了提升模型对于多尺度目标检测的能力，采用了双向特征金字塔网络（BiFPN）。相比传统的单向特征金字塔网络（FPN），BiFPN不仅能够自上而下传递高分辨率低级语义信息，还能实现自底向上反馈高级语义信息给较低层[^1]。 ```python class BiFPN(nn.Module): def __init__(self, num_channels=256): super(BiFPN, self).__init__() # 定义卷积操作用于调整通道数至统一维度 self.conv1 = nn.Conv2d(num_channels, num_channels, kernel_size=3, padding=1) def forward(self, inputs): P3_out, P4_out, P5_out = inputs # 自顶向下路径构建 P5_upsampled = F.interpolate(P5_out, scale_factor=2) P4_intermediate = torch.add(P5_upsampled, P4_out) P4_upsampled = F.interpolate(P4_intermediate, scale_factor=2) P3_final = torch.add(P4_upsampled, P3_out) # 自底向上路径构建 P3_downsampled = F.max_pool2d(P3_final, kernel_size=2) P4_final = torch.add(P3_downsampled, P4_intermediate) P4_downsampled = F.max_pool2d(P4_final, kernel_size=2) P5_final = torch.add(P4_downsampled, P5_out) return [P3_final, P4_final, P5_final] ``` 此设计使得各层次间的信息交互更加充分，从而增强了对不同大小物体的有效识别能力。特别是在处理小尺寸对象时表现尤为突出，因为来自浅层更精细的空间细节得以保留并充分利用。 #### 渐近特征金字塔网络 AFPN 对检测头的影响 另外，在YOLOv11的设计里还融入了渐近特征金字塔网络（AFPN）来进一步增强检测效果。具体来说，AFPN采用了一种新颖的方法来进行跨级别特征融合——先从最底部开始逐层叠加相邻两层之间的连接，直到最高一层完成整个过程；之后再反方向重复上述步骤直至最低层结束。这样的方式可以确保每一层都能接收到足够的上下文线索以及位置敏感特性，进而改善最终预测的质量[^2]。 通过这两种先进的FPN变体技术的应用，YOLOv11实现了显著优于以往版本的目标检测精度与效率平衡。