【YOLOv11模型改进系列】02 C2f模块深度重构：从Bottleneck到多尺度特征融合的实战改造

02 C2f模块深度重构：从Bottleneck到多尺度特征融合的实战改造开篇故事上个月，我帮一家自动驾驶公司优化他们的障碍物检测模型。他们的场景很典型：城市十字路口，需要同时识别远处的行人（小目标）和近处的卡车（大目标）。他们用了YOLOv11s作为基座，但在小目标召回率上始终卡在78%左右，怎么调参都上不去。我看了他们的网络结构，C2f模块用的是最原始的配置——两个标准Bottleneck堆叠，3x3卷积，ReLU激活。问题就出在这：当特征图经过两次3x3卷积后，小目标的细节信息几乎被“洗”掉了。就像你用粗砂纸打磨木板，能快速去掉毛刺，但也会把木纹的细节磨平。他们犯了一个典型的错误：以为C2f模块里的Bottleneck越多，特征提取能力就越强。实际上，在浅层特征图（比如P3层，80x80分辨率），过多的3x3卷积反而会破坏空间细节。痛点拆解常见误区：Bottleneck堆叠的“线性思维”很多初学者会这样写C2f模块的核心部分：# 反例代码：线性堆叠Bottleneck，忽视多尺度需求class