github：https://github.com/ultralytics/ultralytics.git

与之前的版本相比，Ultralytics YOLO11 有哪些关键改进？

Ultralytics YOLO11 与其前身相比引入了多项重大进步。主要改进包括：

• 增强的特征提取：YOLO11采用改进的主干和颈部架构，增强了特征提取能力，以实现更精确的目标检测。
• 优化的效率和速度：精细的架构设计和优化的训练管道可提供更快的处理速度，同时保持准确性和性能之间的平衡。
• 使用更少的参数获得更高的精度：YOLO11m 在 COCO 数据集上实现了更高的平均精度(mAP)，参数比 YOLOv8m 少 22%，从而在不影响精度的情况下提高计算效率。
• 跨环境适应性：YOLO11可以跨各种环境部署，包括边缘设备、云平台和支持NVIDIA GPU的系统。
• 支持的任务范围广泛：YOLO11 支持多种计算机视觉任务，例如对象检测、实例分割、图像分类、姿态估计和定向对象检测 (OBB)

【yolov8-pose框架介绍】

关键点检测的Backbone、Neck网络和目标检测的完全一致，只是Head层会有区别，区别有一点：

    三个尺度的特征图在head层除了生成3个预测Box的特征图（1,64,80,80）、（1,64,40,40）和（1,64,20,20）；以及3个预测CLs的特征图 （1,nc,80,80）、（1,nc,40,40）和（1,nc,20,20）；还会另外生成3个用来预测key_point关键点的特征图，以人体17个关键点为例，该分支生成三个尺度特征图分别为（1,51,80,80）、（1,51,40,40）和（1,51,20,20），用来预测人体17个关键点位置和置信度的特征图 ，即网络结构图中浅绿色Head部分。

3.1人体关键点

    其中51表示17个关键点的位置（x和y坐标值）和置信度（conf），即17*3=51。人体17个关键点keypoints、关键点间的连接线Skeleton如下所示，比如noise会和左眼、右眼有连接，所以skeleton中会包含（0,1)和(0,2)。

key_point分支

• key_point分支的具体结构，如下图蓝色框区域内所示。该分支是由2个卷积组和1个卷积层构成，前两个卷积组的通道数需要符合max(ch[0] // 4, self.nk)，ch[0]表示80*80尺度特征图的通道数，self.nk为关键点数量 * 3，比如前面说的人体关键点个数为17，那么key_point分支最后输出的通道数为17 * 3 =51。

• 由图可知，YOLOv8L中80 * 80尺度特征图的通道数是256，因此计算得到该分支头中前两个卷积层的通道数均是64，还是以人体关键点为例的话最后一个卷积输出通道数是51。

• 下图右边还展示了其他几个版本（n/s/m/x）的头部网络输出通道数变化，可以根据上述公式进行验证一下，通过公式计算，可以看到如果n/s/m版本前两个卷积组输出的通道数均为51。
  

KeyPoint实现基本原理

YOLOv8关键点检测网络借鉴于YOLO PoseMaji_，

大概聊聊其基本思想：
（1）一个目标检测框对应一组关键点。
（2）关键点可能会由于截断或者遮挡而无法预测出来，导致关键点漏检。
（3）关键点也有可能预测在目标检测框外。