一、本文介绍

本文给大家带来的改进机制是ModulatedDeformConv来替换我们模型的下采样操作，同时含二次创新C3k2机制，其主要思想是通过引入可学习的空间偏移量，实现感受野的动态调整，增强卷积神经网络对图像中几何变换的适应能力。不同于其它的Conv这种可变形Conv主要就是通过学习下采样的位置来进行提高检测精度，但是这种方法可以减少计算量，网络层数，所以这个方法还是比较推荐大家在自己数据集上尝试一下的，能够减少网络层数的机制不多。

欢迎大家订阅我的专栏一起学习YOLO！    

训练信息1：YOLO11-C3k2-MDConv-1 summary: 315 layers, 2,616,209 parameters, 2,616,193 gradients, 6.4 GFLOPs

训练信息2：YOLO11-C3k2-MDConv-2 summary: 314 layers, 2,668,612 parameters, 2,668,596 gradients, 6.4 GFLOPs

训练信息3：YOLO11-MDConv summary: 313 layers, 2,718,804 parameters, 2,718,788 gradients, 5.4 GFLOPs

基础版本：YOLO11 summary: 319 layers, 2,591,010 parameters, 2,590,994 gradients, 6.4 GFLOPs

专栏回顾：YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备

---

目录

一、本文介绍

二、原理介绍

三、核心代码 

四、手把手教你添加本文机制 

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、正式训练

5.1 yaml文件1