一、本文介绍
本文记录的是基于StarNet的YOLOv11轻量化改进方法研究。StarNet设计简洁，没有复杂的设计和精细调整的超参数，仅是一个 4 阶段的分层架构。并且其中星操作能够在低维空间计算的同时考虑极高维的特征这一特性，进而提高模型精度。本文在替换骨干网络中配置了原论文中的starnet_s050、starnet_s100、starnet_s150、starnet_s1、starnet_s2、starnet_s3和starnet_s4七种模型，以满足不同的需求。
| 模型 | 参数量 | 计算量 | 推理速度 |
|---|---|---|---|
| YOLOv11m | 20.0M | 67.6GFLOPs | 3.5ms |
| Improved | 10.9M | 28.7GFLOPs | 2.4ms |
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、🌟
-
- 2.1 出发点
- 2.2 原理
-
- 2.2.1 高维特征映射
- 2.2.2 与核函数的类比
- 2.3 结构
-
- 2.3.1 整体架构
- 2.3.2 下采样层
- 2.3.3 特征提取模块
- 2.4 优势
