一、本文介绍
本文记录的是利用自校准模块RCM优化YOLOv11的目标检测方法研究。RCM通过形状自校准函数可以将注意力区域校准得更接近前景对象，有效提高对前景对象的定位能力。本文对C3k2模块进行二次创新，并应用在颈部网络上，使模型能够捕获轴向全局上下文信息，并应用于金字塔上下文提取，使模型表现出更高的精度。
专栏目录：YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
专栏地址：YOLOv11改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！
文章目录
- 一、本文介绍
- 二、RCM 原理介绍
- 2.1 出发点
- 2.2 原理
- 2.2.1 矩形自校准注意力（RCA）
- 2.2.2 特征融合
- 2.3 结构
- 2.4 优势
- 三、RCM的实现代码
- 四、创新模块
- 4.1 改进点⭐
- 五、添加步骤
- 5.1 修改ultralytics/nn/modules/block.py
- 5.2 修改ultralytics/nn/modules/__init__.py
- 5.3 修改ultralytics/nn/modules/tasks.py
- 六、yaml模型文件
- 6.1 模型改进⭐
