这半年我把注意力花在一个很朴素的问题上在一个吃紧的算力预算里检测模型还能从哪里再挤出一点精度。卷积换得更宽、更深、更花哨之后收益越来越小直到我在一个夜间小目标场景里反复翻车——被遮挡的行人、密集停放的车辆模型无论怎么加深Backbone都抓不住远处的上下文。于是我开始尝试把Transformer模块接到YOLOv11的Backbone里让CNN的局部归纳偏置和自注意力的全局建模坐在一起干活。这篇文章就是我完整踩坑之后的复盘包含模块选型、代码接线、训练避坑和消融实验设计适合已经在跑YOLO系列但想尝试结构改动的同学。1. 先说清楚这个改动到底想解决什么问题1.1 CNN的“感受野”和它绕不过去的坎CNN靠卷积核一层层堆叠视野理论上层数够了就能覆盖整张图但“理论上够”和“实际上能建模”是两回事。一个3×3卷积只看周围8个点要建立远处两个无关解剖位置的关系中间必须经过大量层的隐式传递。越深层的特征图分辨率越差很多细粒度空间信息在传递过程中就丢掉了。我用一个现象来解释这个瓶颈你有个尺子每次只能量10厘米想量整张桌子的长度就要来回挪很多次挪的过程中还容易漏掉中间的刻度。CNN就是这样它擅长看局部但看全局靠“挪步子”这种隐式的全局编码在目标密集、遮挡严重、尺度差异大的场景里特别不稳定。1.2 自注意力补的那块短板Transformer的自注意力机制和CNN最大的区别是它在同一层里直接计算所有位置之间的相关性。一个像素点可以直接“看到”图上任意一个远处的点不需要中间层一层层传递。而且注意力权重是动态的同一层参数在不同输入上会自适应地产生不同的关联关系。这正好补上CNN“局部、静态”的短板。不过别把它想得太神秘它的计算本质就是把特征图展平成一组序列每个位置是一个token对每个token计算Query、Key、Value通过Query和所有Key的点积算相似度得到注意力权重用权重对所有Value加权求和这个过程一次就能建立全图依赖所以自注意力特别适合目标被遮挡、目标跨区域关联、小目标语义不清晰这类场景。1.3 不是所有任务都值得改我一开始也是抱着“加了肯定变强”的心态但实测下来有些场景加了反而亏。如果你的任务是工业质检里的固定尺寸缺陷检测、或者比较规则的物体分类卷积基线往往已经足够强行上Transformer只会增加延迟和显存。反过来如果你是做航拍目标检测、自动驾驶感知、密集人群统计这类任务目标小、相互遮挡多、需要参考周边环境来判断目标属于什么类别那自注意力的收益会非常明显。先判断题值不值得再动代码这是我认为动手前最重要的一步。2. 动刀前先看骨架Transformer该插在Backbone的哪个位置2.1 从配置结构看YOLOv11的Main RoadYOLOv11的Backbone大体延续了“卷积下采样 多尺度特征提取”的经典结构。整个网络按stride分成多个层级从低层到高层通常记为stem卷积快速下采样主干上的多组卷积和C2f/C3k2类模块在不同分辨率提取特征每个阶段之间的stride2卷积负责缩小特征图、增加通道末端SPPF用不同池化核感受野做特征聚合理解这条链路的关键在于Backbone最终会输出多个尺度的特征图给Neck和Head通常是从较浅层、较高分辨率的特征适合小目标到较深层、较低分辨率的特征适合大目标、语义强网络需要保证每一条分支都别掉链子。如果你想改动Backbone最重要的事情不是抄别人改好的YAML而是先搞懂你要改的那个位置对应的是哪一层、输出给谁。2.2 常用Transformer模块盘点社区里流传较广的插入方案我总结成下面这张表方便对照选择模块类型核心思路适合插入位置相对参数开销备注C3TR/C2f_TR把C2f内部的几个Bottleneck换成TransformerEncoder级联P4/P5中等实现最简单主流方案C2PSA在SPPF后接入多头自注意力金字塔P5末端中等对全局语义增强明显EMA高效多尺度注意力偏轻量P3/P4小小目标场景常用BiFormer双向窗口注意力只在局部窗口内建模P3/P4中等显存压力小全图Transformer把整层替换成标准Transformer Block仅限P5之类小分辨率很大一般不建议大面积用选型不是越强越好关键看算力预算和目标场景。P3层特征图通常是80×80甚至更高分辨率如果在这里放一个全局自注意力token数量冲到几千上万显存和延迟会直接爆炸。所以我的建议是P3层适合轻量注意力P4/P5层适合标准Transformer BlockP5末端可以考虑再接一次全局建模。2.3 先换哪个位置收益最稳我做过一轮快速预实验只换P5层的结构训练速度掉一点参数量大概上升百分之几但算法在中等尺寸目标上的召回率提升几乎可以忽略。只换P4层时收益才真正开始出现。这是因为P4层的分辨率是40×40左右既有足够多的空间细节保留目标位置又有一定语义能力帮助判定目标类别。所以我的经验排序是优先级最高的是P4层其次是P5层最后才是P3层。如果你只能改一个位置优先P4如果你能接受训练时间增加再把P5也换掉。P3层除非你有非常明确的小目标需求否则谨慎动手我自己就在P3上翻过车后面会细讲。3. 实战改造从模块注册到训练命令的一次完整接线3.1 在模块文件里注册Transformer BlockYOLOv11的代码结构通常把各种基础模块统一放在一个公共模块文件里比如常见的common.py。改动前建议先fork一条独立分支别在主分支上直接改。我的做法是在文件末尾加入一个TransformerBlock模块class TransformerBlock(nn.Module): def __init__(self, c1, c2, num_heads8, ffn_expand4, dropout0.0): super().__init__() self.attn nn.MultiheadAttention(c1, num_heads, batch_firstTrue) self.norm1 nn.LayerNorm(c1) self.norm2 nn.LayerNorm(c1) self.ffn nn.Sequential( nn.Linear(c1, c1 * ffn_expand), nn.GELU(), nn.Linear(c1 * ffn_expand, c1), nn.Dropout(dropout), ) self.drop nn.Dropout(dropout) def forward(self, x): B, C, H, W x.shape t x.flatten(2).permute(0, 2, 1).contiguous() t self.norm1(t self.drop(self.attn(t, t, t)[0])) t self.norm2(t self.drop(self.ffn(t))) t t.permute(0, 2, 1).reshape(B, C, H, W) return t这里最关键的是前后处理卷积特征图是B,C,H,W四维而自注意力期望的是B,序列长度,通道三维。先flatten高宽两个维度做完注意力再reshape回去。残差结构是必须的没有残差深层的自注意力训练起来很容易出现梯度消失。3.2 写一个带残差的C2f_TR模块光有单层Transformer还不够因为Backbone里很多位置原本是C2f这种“多分支堆叠”结构我想做的是尽量少改动原有拓扑、只把内部主体换掉。实际开发里我用C2f_TR替代原本的C2fclass C2f_TR(nn.Module): def __init__(self, c1, c2, n1, shortcutFalse, g1, e0.5): super().__init__() self.c int(c2 * e) self.cv1 Conv(c1, 2 * self.c, 1, 1) self.cv2 Conv((2 n) * self.c, c2, 1) self.m nn.ModuleList([TransformerBlock(self.c, self.c) for _ in range(n)]) def forward(self, x): y list(self.cv1(x).chunk(2, 1)) y.extend(m(y[-1]) for m in self.m) return self.cv2(torch.cat(y, 1))这个结构跟C2f的区别只在于内部是TransformerBlock而不是普通卷积Bottleneck。好处是后期加载预训练权重时原有卷积路径大部分参数都能复用只有新增的注意力分支需要从头学。提示如果你的目标不是最大精度而是部署方便n别设太大我建议设为1或2。迭代多层Transformer虽然理论上更强但对训练时长和显存的消耗是线性上升的收益却很快饱和。3.3 修改解析逻辑并在YAML里接线模块注册完之后光写在文件里还不够解析YAML的parse_model函数需要知道这个模块应该怎么接收参数。我遇到的情况是YOLO会自动解析模块名但如果你的自定义模块带复杂参数就需要在解析函数里加一行告诉它把第二层以来的参数原样透传。我写成类似这样elif m in {C2f_TR, C2f}: args [args[0], args[1]]然后新建一个YAML配置比如yolov11s_tr.yaml。关键片段长这样# backbone部分 # 原有P3层先用普通C2f [-1, 1, Conv, [256, 3, 2]] [-1, 1, C2f, [256, True, 1]] # P4层替换成C2f_TR [-1, 1, Conv, [512, 3, 2]] [-1, 1, C2f_TR, [512, True, 1]] # P5层替换成C2f_TR [-1, 1, Conv, [1024, 3, 2]] [-1, 1, C2f_TR, [1024, True, 1]] # 末端SPPF保持不变 [-1, 1, SPPF, [1024, 5]]注意不同代码版本里C2f模块的参数顺序可能有差异建议先打印一份原有配置照着原参数改名字和层类型而不是凭记忆写。我就是因为参数顺序写错训练一开始就报维度不匹配。3.4 加载预训练权重与首次训练命令模块接线完成先别急着全量训练。我的做法是先用一小部分数据跑一轮确认前向传播能过、loss能下降再启正式训练。训练命令本身和普通YOLO训练没区别python train.py --data dataset.yaml --cfg yolov11s_tr.yaml --weights yolov11s.pt --epochs 100 --batch-size 16 --imgsz 640 --device 0首次加载预训练权重时终端会提示有些层的参数没有匹配上。这是正常的因为新加的Transformer模块在原有权重文件里没有对应键。框架会尽量把能拷贝的卷积部分参数拷贝过去新增模块从零开始。如果发生维度匹配报错多半是中段解析逻辑或通道数写错了可以加载权重后打印模型结构逐个层核对。4. 训练避坑实录收敛慢、NaN、显存溢出怎么处理4.1 收敛慢学习率得按Transformer的脾气来调第一次全量训练时我发现前面几十个epoch的loss下降得非常慢甚至前10个epoch的mAP几乎没有动静。后来定位到原因是学习率策略不合适。卷积网络对较大的初始学习率容忍度很高但自注意力的初始化分布更敏感过大的学习率会让注意力矩阵在早期抖动得厉害。我给自己的调参方案是初始学习率从0.01降到0.005warmup轮数从默认的3个epoch增加到5到10个epoch先用冻结Backbone的方式跑20个epoch让Head先稳定观察loss是否出现阶梯式下降而不是一条平线如果你是自己写训练脚本而不是用官方训练器还需要注意给Transformer层单独设置一个较小的学习率比如全模型学习率的0.1到0.5倍这样既能老层稳定微调又能让新模块慢慢长出来。4.2 训练出现NaN先查AMP再查LayerNorm这是所有做自注意力改造的人迟早会碰到的问题。某个深夜我在日志里看到loss变成了NaN起初以为是学习率太高但降完之后还是隔几十个epoch就炸一次。排查到最后发现问题出在混合精度训练上。自注意力里的softmax和中间的矩阵运算在FP16下容易出现上溢或下溢尤其是当特征图通道数较大时。解决办法有两个在训练脚本里关闭AMP或者对新增的Transformer Block单独使用FP32推理给LayerNorm设置一个偏大的eps比如1e-6改成1e-5减少数值不稳定我用的是“新层FP32、旧层FP16”的方案稳定性明显好转。如果你用的是官方训练器最简单省事的方式是先关AMP跑通一轮确认掉点与否再考虑怎么重新打开。4.3 显存溢出P3层千万别乱上全局注意力我前面提到自己在P3层翻车具体就是batch-size设成16P3、P4、P5三层全部换成标准Transformer Block启动训练后不到5分钟就报CUDA out of memory。算一下就知道P3层80×80的特征图有6400个token序列长度一旦超过几千自注意力的复杂度会飞快涨上去。后来我把P3层换成了轻量注意力模块比如EMA这类高效注意力P4/P5才用标准TransformerBlock。改动之后显存占用回到了可接受范围。经验总结如下插入位置推荐模块原因P3轻量注意力EMA/窗口注意力分辨率高token数量大P4标准TransformerBlockn140×40分辨率复杂度可控P5标准TransformerBlockn1或220×20分辨率全局建模收益高SPPF后C2PSA做最后全局语义增强4.4 mAP掉点很多时候是“换多了”而不是“换错了”我也遇到过加了Transformer之后mAP反而比基线低的情况。一开始怀疑模块写得不对但单独跑P4层替换的版本却有效果。后来对比发现问题出在改动范围太大P3、P4、P5全换之后模型整体收敛难度显著增加同样的epoch数根本不够。遇到这类问题先按“贪心策略”排查第一步只改P4其他不变跑短周期对比第二步只改P5其他不变跑短周期对比第三步P4P5同时改观察是否有叠加增益第四步P3也改和其他方案一起对比这样你能清楚知道每一层改动带来的收益和代价而不是笼统地说“加了Transformer没用”。5. 常见问题排查与操作心得5.1 问题速查表我把这段改造过程中遇到的高频问题整理成一张表方便你对照排查现象可能原因解决办法训练一开始就报维度不匹配YAML里的参数顺序或通道数写错先打印原始模型配置对照修改加载预训练权重报缺少键新增模块没有对应权重忽略或手动过滤缺失层不影响loss大部分时间平缓学习率过大、warmup不足降低初始学习率延长warmup出现NaNAMP数值溢出、LayerNorm不稳定关闭AMP或让新层跑FP32调大eps显存溢出高分辨率层插了全局注意力换轻量模块或减小batch-size训练正常但mAP反而掉改动范围过大收敛变慢减少替换层数增加epoch单独调LR推理速度大幅下降注意力token数太多删减层数或用窗口注意力5.2 我的三条实操心得第一改动前先准备一个极小的数据集几百张图和短训练周期专门用来验证代码和超参数方向。我通常只训练10个epoch看loss曲线和少量验证集结果不合适就赶紧改配置别拿大训练集硬烧时间。第二版本控制要细。每次改一个变量就记录一组结果baseline、p4_tr、p5_tr、p4p5_tr、p3_ema全部存成单独的配置文件和训练日志。最后汇总对比时一目了然也方便回退到某个表现最好的版本。第三评估指标别只看mAP。注意力模块通常对召回率和小目标AP提升更明显但对整体mAP的提升可能很微弱。我在某个遮挡密集场景里mAP只涨了零点几个点但recall提升明显。如果你的业务更看重漏检率请把recall和PR曲线加入评估体系。最后说句实在话把Transformer塞进YOLOv11的Backbone不是一条“加了就变强”的技术捷径而是一次需要谨慎权衡的结构调整。我在这条路上最大的体会是先小改、多对比、关注训练动态曲线比任何花哨模块都重要。每次只改一个变量坚持做记录你的模型才能真正用得上这个思路。
这半年我把注意力花在一个很朴素的问题上在一个吃紧的算力预算里检测模型还能从哪里再挤出一点精度。卷积换得更宽、更深、更花哨之后收益越来越小直到我在一个夜间小目标场景里反复翻车——被遮挡的行人、密集停放的车辆模型无论怎么加深Backbone都抓不住远处的上下文。于是我开始尝试把Transformer模块接到YOLOv11的Backbone里让CNN的局部归纳偏置和自注意力的全局建模坐在一起干活。这篇文章就是我完整踩坑之后的复盘包含模块选型、代码接线、训练避坑和消融实验设计适合已经在跑YOLO系列但想尝试结构改动的同学。1. 先说清楚这个改动到底想解决什么问题1.1 CNN的“感受野”和它绕不过去的坎CNN靠卷积核一层层堆叠视野理论上层数够了就能覆盖整张图但“理论上够”和“实际上能建模”是两回事。一个3×3卷积只看周围8个点要建立远处两个无关解剖位置的关系中间必须经过大量层的隐式传递。越深层的特征图分辨率越差很多细粒度空间信息在传递过程中就丢掉了。我用一个现象来解释这个瓶颈你有个尺子每次只能量10厘米想量整张桌子的长度就要来回挪很多次挪的过程中还容易漏掉中间的刻度。CNN就是这样它擅长看局部但看全局靠“挪步子”这种隐式的全局编码在目标密集、遮挡严重、尺度差异大的场景里特别不稳定。1.2 自注意力补的那块短板Transformer的自注意力机制和CNN最大的区别是它在同一层里直接计算所有位置之间的相关性。一个像素点可以直接“看到”图上任意一个远处的点不需要中间层一层层传递。而且注意力权重是动态的同一层参数在不同输入上会自适应地产生不同的关联关系。这正好补上CNN“局部、静态”的短板。不过别把它想得太神秘它的计算本质就是把特征图展平成一组序列每个位置是一个token对每个token计算Query、Key、Value通过Query和所有Key的点积算相似度得到注意力权重用权重对所有Value加权求和这个过程一次就能建立全图依赖所以自注意力特别适合目标被遮挡、目标跨区域关联、小目标语义不清晰这类场景。1.3 不是所有任务都值得改我一开始也是抱着“加了肯定变强”的心态但实测下来有些场景加了反而亏。如果你的任务是工业质检里的固定尺寸缺陷检测、或者比较规则的物体分类卷积基线往往已经足够强行上Transformer只会增加延迟和显存。反过来如果你是做航拍目标检测、自动驾驶感知、密集人群统计这类任务目标小、相互遮挡多、需要参考周边环境来判断目标属于什么类别那自注意力的收益会非常明显。先判断题值不值得再动代码这是我认为动手前最重要的一步。2. 动刀前先看骨架Transformer该插在Backbone的哪个位置2.1 从配置结构看YOLOv11的Main RoadYOLOv11的Backbone大体延续了“卷积下采样 多尺度特征提取”的经典结构。整个网络按stride分成多个层级从低层到高层通常记为stem卷积快速下采样主干上的多组卷积和C2f/C3k2类模块在不同分辨率提取特征每个阶段之间的stride2卷积负责缩小特征图、增加通道末端SPPF用不同池化核感受野做特征聚合理解这条链路的关键在于Backbone最终会输出多个尺度的特征图给Neck和Head通常是从较浅层、较高分辨率的特征适合小目标到较深层、较低分辨率的特征适合大目标、语义强网络需要保证每一条分支都别掉链子。如果你想改动Backbone最重要的事情不是抄别人改好的YAML而是先搞懂你要改的那个位置对应的是哪一层、输出给谁。2.2 常用Transformer模块盘点社区里流传较广的插入方案我总结成下面这张表方便对照选择模块类型核心思路适合插入位置相对参数开销备注C3TR/C2f_TR把C2f内部的几个Bottleneck换成TransformerEncoder级联P4/P5中等实现最简单主流方案C2PSA在SPPF后接入多头自注意力金字塔P5末端中等对全局语义增强明显EMA高效多尺度注意力偏轻量P3/P4小小目标场景常用BiFormer双向窗口注意力只在局部窗口内建模P3/P4中等显存压力小全图Transformer把整层替换成标准Transformer Block仅限P5之类小分辨率很大一般不建议大面积用选型不是越强越好关键看算力预算和目标场景。P3层特征图通常是80×80甚至更高分辨率如果在这里放一个全局自注意力token数量冲到几千上万显存和延迟会直接爆炸。所以我的建议是P3层适合轻量注意力P4/P5层适合标准Transformer BlockP5末端可以考虑再接一次全局建模。2.3 先换哪个位置收益最稳我做过一轮快速预实验只换P5层的结构训练速度掉一点参数量大概上升百分之几但算法在中等尺寸目标上的召回率提升几乎可以忽略。只换P4层时收益才真正开始出现。这是因为P4层的分辨率是40×40左右既有足够多的空间细节保留目标位置又有一定语义能力帮助判定目标类别。所以我的经验排序是优先级最高的是P4层其次是P5层最后才是P3层。如果你只能改一个位置优先P4如果你能接受训练时间增加再把P5也换掉。P3层除非你有非常明确的小目标需求否则谨慎动手我自己就在P3上翻过车后面会细讲。3. 实战改造从模块注册到训练命令的一次完整接线3.1 在模块文件里注册Transformer BlockYOLOv11的代码结构通常把各种基础模块统一放在一个公共模块文件里比如常见的common.py。改动前建议先fork一条独立分支别在主分支上直接改。我的做法是在文件末尾加入一个TransformerBlock模块class TransformerBlock(nn.Module): def __init__(self, c1, c2, num_heads8, ffn_expand4, dropout0.0): super().__init__() self.attn nn.MultiheadAttention(c1, num_heads, batch_firstTrue) self.norm1 nn.LayerNorm(c1) self.norm2 nn.LayerNorm(c1) self.ffn nn.Sequential( nn.Linear(c1, c1 * ffn_expand), nn.GELU(), nn.Linear(c1 * ffn_expand, c1), nn.Dropout(dropout), ) self.drop nn.Dropout(dropout) def forward(self, x): B, C, H, W x.shape t x.flatten(2).permute(0, 2, 1).contiguous() t self.norm1(t self.drop(self.attn(t, t, t)[0])) t self.norm2(t self.drop(self.ffn(t))) t t.permute(0, 2, 1).reshape(B, C, H, W) return t这里最关键的是前后处理卷积特征图是B,C,H,W四维而自注意力期望的是B,序列长度,通道三维。先flatten高宽两个维度做完注意力再reshape回去。残差结构是必须的没有残差深层的自注意力训练起来很容易出现梯度消失。3.2 写一个带残差的C2f_TR模块光有单层Transformer还不够因为Backbone里很多位置原本是C2f这种“多分支堆叠”结构我想做的是尽量少改动原有拓扑、只把内部主体换掉。实际开发里我用C2f_TR替代原本的C2fclass C2f_TR(nn.Module): def __init__(self, c1, c2, n1, shortcutFalse, g1, e0.5): super().__init__() self.c int(c2 * e) self.cv1 Conv(c1, 2 * self.c, 1, 1) self.cv2 Conv((2 n) * self.c, c2, 1) self.m nn.ModuleList([TransformerBlock(self.c, self.c) for _ in range(n)]) def forward(self, x): y list(self.cv1(x).chunk(2, 1)) y.extend(m(y[-1]) for m in self.m) return self.cv2(torch.cat(y, 1))这个结构跟C2f的区别只在于内部是TransformerBlock而不是普通卷积Bottleneck。好处是后期加载预训练权重时原有卷积路径大部分参数都能复用只有新增的注意力分支需要从头学。提示如果你的目标不是最大精度而是部署方便n别设太大我建议设为1或2。迭代多层Transformer虽然理论上更强但对训练时长和显存的消耗是线性上升的收益却很快饱和。3.3 修改解析逻辑并在YAML里接线模块注册完之后光写在文件里还不够解析YAML的parse_model函数需要知道这个模块应该怎么接收参数。我遇到的情况是YOLO会自动解析模块名但如果你的自定义模块带复杂参数就需要在解析函数里加一行告诉它把第二层以来的参数原样透传。我写成类似这样elif m in {C2f_TR, C2f}: args [args[0], args[1]]然后新建一个YAML配置比如yolov11s_tr.yaml。关键片段长这样# backbone部分 # 原有P3层先用普通C2f [-1, 1, Conv, [256, 3, 2]] [-1, 1, C2f, [256, True, 1]] # P4层替换成C2f_TR [-1, 1, Conv, [512, 3, 2]] [-1, 1, C2f_TR, [512, True, 1]] # P5层替换成C2f_TR [-1, 1, Conv, [1024, 3, 2]] [-1, 1, C2f_TR, [1024, True, 1]] # 末端SPPF保持不变 [-1, 1, SPPF, [1024, 5]]注意不同代码版本里C2f模块的参数顺序可能有差异建议先打印一份原有配置照着原参数改名字和层类型而不是凭记忆写。我就是因为参数顺序写错训练一开始就报维度不匹配。3.4 加载预训练权重与首次训练命令模块接线完成先别急着全量训练。我的做法是先用一小部分数据跑一轮确认前向传播能过、loss能下降再启正式训练。训练命令本身和普通YOLO训练没区别python train.py --data dataset.yaml --cfg yolov11s_tr.yaml --weights yolov11s.pt --epochs 100 --batch-size 16 --imgsz 640 --device 0首次加载预训练权重时终端会提示有些层的参数没有匹配上。这是正常的因为新加的Transformer模块在原有权重文件里没有对应键。框架会尽量把能拷贝的卷积部分参数拷贝过去新增模块从零开始。如果发生维度匹配报错多半是中段解析逻辑或通道数写错了可以加载权重后打印模型结构逐个层核对。4. 训练避坑实录收敛慢、NaN、显存溢出怎么处理4.1 收敛慢学习率得按Transformer的脾气来调第一次全量训练时我发现前面几十个epoch的loss下降得非常慢甚至前10个epoch的mAP几乎没有动静。后来定位到原因是学习率策略不合适。卷积网络对较大的初始学习率容忍度很高但自注意力的初始化分布更敏感过大的学习率会让注意力矩阵在早期抖动得厉害。我给自己的调参方案是初始学习率从0.01降到0.005warmup轮数从默认的3个epoch增加到5到10个epoch先用冻结Backbone的方式跑20个epoch让Head先稳定观察loss是否出现阶梯式下降而不是一条平线如果你是自己写训练脚本而不是用官方训练器还需要注意给Transformer层单独设置一个较小的学习率比如全模型学习率的0.1到0.5倍这样既能老层稳定微调又能让新模块慢慢长出来。4.2 训练出现NaN先查AMP再查LayerNorm这是所有做自注意力改造的人迟早会碰到的问题。某个深夜我在日志里看到loss变成了NaN起初以为是学习率太高但降完之后还是隔几十个epoch就炸一次。排查到最后发现问题出在混合精度训练上。自注意力里的softmax和中间的矩阵运算在FP16下容易出现上溢或下溢尤其是当特征图通道数较大时。解决办法有两个在训练脚本里关闭AMP或者对新增的Transformer Block单独使用FP32推理给LayerNorm设置一个偏大的eps比如1e-6改成1e-5减少数值不稳定我用的是“新层FP32、旧层FP16”的方案稳定性明显好转。如果你用的是官方训练器最简单省事的方式是先关AMP跑通一轮确认掉点与否再考虑怎么重新打开。4.3 显存溢出P3层千万别乱上全局注意力我前面提到自己在P3层翻车具体就是batch-size设成16P3、P4、P5三层全部换成标准Transformer Block启动训练后不到5分钟就报CUDA out of memory。算一下就知道P3层80×80的特征图有6400个token序列长度一旦超过几千自注意力的复杂度会飞快涨上去。后来我把P3层换成了轻量注意力模块比如EMA这类高效注意力P4/P5才用标准TransformerBlock。改动之后显存占用回到了可接受范围。经验总结如下插入位置推荐模块原因P3轻量注意力EMA/窗口注意力分辨率高token数量大P4标准TransformerBlockn140×40分辨率复杂度可控P5标准TransformerBlockn1或220×20分辨率全局建模收益高SPPF后C2PSA做最后全局语义增强4.4 mAP掉点很多时候是“换多了”而不是“换错了”我也遇到过加了Transformer之后mAP反而比基线低的情况。一开始怀疑模块写得不对但单独跑P4层替换的版本却有效果。后来对比发现问题出在改动范围太大P3、P4、P5全换之后模型整体收敛难度显著增加同样的epoch数根本不够。遇到这类问题先按“贪心策略”排查第一步只改P4其他不变跑短周期对比第二步只改P5其他不变跑短周期对比第三步P4P5同时改观察是否有叠加增益第四步P3也改和其他方案一起对比这样你能清楚知道每一层改动带来的收益和代价而不是笼统地说“加了Transformer没用”。5. 常见问题排查与操作心得5.1 问题速查表我把这段改造过程中遇到的高频问题整理成一张表方便你对照排查现象可能原因解决办法训练一开始就报维度不匹配YAML里的参数顺序或通道数写错先打印原始模型配置对照修改加载预训练权重报缺少键新增模块没有对应权重忽略或手动过滤缺失层不影响loss大部分时间平缓学习率过大、warmup不足降低初始学习率延长warmup出现NaNAMP数值溢出、LayerNorm不稳定关闭AMP或让新层跑FP32调大eps显存溢出高分辨率层插了全局注意力换轻量模块或减小batch-size训练正常但mAP反而掉改动范围过大收敛变慢减少替换层数增加epoch单独调LR推理速度大幅下降注意力token数太多删减层数或用窗口注意力5.2 我的三条实操心得第一改动前先准备一个极小的数据集几百张图和短训练周期专门用来验证代码和超参数方向。我通常只训练10个epoch看loss曲线和少量验证集结果不合适就赶紧改配置别拿大训练集硬烧时间。第二版本控制要细。每次改一个变量就记录一组结果baseline、p4_tr、p5_tr、p4p5_tr、p3_ema全部存成单独的配置文件和训练日志。最后汇总对比时一目了然也方便回退到某个表现最好的版本。第三评估指标别只看mAP。注意力模块通常对召回率和小目标AP提升更明显但对整体mAP的提升可能很微弱。我在某个遮挡密集场景里mAP只涨了零点几个点但recall提升明显。如果你的业务更看重漏检率请把recall和PR曲线加入评估体系。最后说句实在话把Transformer塞进YOLOv11的Backbone不是一条“加了就变强”的技术捷径而是一次需要谨慎权衡的结构调整。我在这条路上最大的体会是先小改、多对比、关注训练动态曲线比任何花哨模块都重要。每次只改一个变量坚持做记录你的模型才能真正用得上这个思路。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
