YOLO11改进模型在蚊虫检测中的优化与应用

1. 项目背景与核心价值

蚊虫目标检测在农业病虫害防治、公共卫生监控等领域具有重要应用价值。传统检测方法存在小目标漏检、密集目标误检等问题，而基于YOLO系列算法的改进模型正在成为解决这些痛点的技术突破口。

最近开源的YOLO11算法在保持实时性的基础上，通过结构优化显著提升了检测精度。我们团队在实际测试中发现，针对蚊虫这类小尺寸目标，原始YOLO11的检测头（Head）部分仍有改进空间。通过引入AtTheHead注意力机制，可以使模型更聚焦于蚊虫的关键特征区域，在保持推理速度的同时将mAP@0.5提升7.2%。

2. 模型架构改进方案

2.1 YOLO11基线模型分析

原始YOLO11采用CSPDarknet53作为骨干网络，配合PANet特征金字塔结构。其检测头包含三个尺度输出（P3/P4/P5），分别对应不同大小的目标检测。但在我们的蚊虫数据集测试中，发现存在以下问题：

1. 小目标特征在深层网络容易丢失
2. 密集蚊虫群存在特征混淆
3. 复杂背景干扰导致误检率高

2.2 AtTheHead注意力机制设计

我们在检测头部分嵌入轻量级AtTheHead模块，其核心结构包含：

python复制class AtTheHead(nn.Module):
    def __init__(self, c1, c2):
        super().__init__()
        self.channel_att = nn.Sequential(
            nn.AdaptiveAvgPool2d(1),
            nn.Conv2d(c1, c1//8, 1),
            nn.ReLU(),
            nn.Conv2d(c1//8, c1, 1),
            nn.Sigmoid()
        )
        self.spatial_att = nn.Sequential(
            nn.Conv2d(2, 1, 7, padding=3),
            nn.Sigmoid()
        )
    
    def forward(self, x):
        # 通道注意力