Page 243 - 《水产学报》2026年第3期

3 期 水 产 学 报 50 卷

替换了 YOLOv8 的 C2f 结构，并在此基础上加强 化算法，以更好地应对水下特殊环境下的检测问
了跨阶段特征融合，使得网络在处理不同层次的 题，提高精度和鲁棒性。
特征时更加高效，显著提升了模型的收敛速率和
1.4 YOLOv11 模型的改进
检测精度。
颈部网络部分集成了 FPN 和 PAN 架构，通 本研究在 YOLOv11 模型框架上进行了改进。
过多尺度特征融合，有效增强了对不同尺寸目标 首先，选择 ADown 卷积模块在骨干网络部分替换
的检测能力。检测头采用了解耦头结构，将分类 普通卷积模块，可以通过多次卷积和池化操作，
和回归任务分别进行优化，进一步提升了目标的 逐渐减少特征图的尺寸，并增加通道数。然后，

分类精度和定位准确度。此外，YOLOv11 延续了 在 Backbone 部分加入了 C3Star 模块，通过多尺度
无锚点设计，克服了传统锚框方法的局限，使得 特征融合，提升对鲍目标在复杂背景和低对比度
模型在处理各种形状和大小的目标时更加灵活。 条件下的特征提取能力，从而提高识别精度。最
然而，在水下环境中，由于目标可能受到遮 后在 YOLOv11 的 Neck 部分引入 ACmix 模块，增
挡、光照不足等影响，YOLOv11 的无锚框设计在 强特征提取和融合的能力，有效减少背景噪声的
检测小目标或部分被遮挡的目标时仍然面临一定 干扰，提升目标检测的准确性。改进 YOLOv11
的挑战，检测精度可能有所下降，需要进一步优 网络结构如图 1 所示。

主干网络
backbone 颈部网络 头部网络
conv-64 neck head
ADown-128 conv-256

C3k2-256 ACmix concat detect
ADown-256 C3k2-256
C3k2-512
C3k2-512 concat
输入层 ACmix 输出层
input layer
ADown-512 upsample output layer
conv-512 detect
C3k2-512 C3k2-1024
ADown-1024 concat concat
C3k2-1024 upsample C3k2-1024

C2Star-1024
ACmix detect
SPPF
C2PSA

图 1 改进 YOLO v11 的模型结构
Fig. 1 Improve the model structure of YOLO v11

ADown 模块 在水下环境中，鲍在颜色、纹 样，并通过分支结构融合不同路径的信息，既保
理等视觉特征上与周围的岩石、海藻等背景元素 留原始特征，又增强特征表达能力。该模块采用
高度相似，导致其在目标检测中容易被误判或漏 双路径协同机制实现高效下采样：输入特征图 F，
检。基于此本研究采用 ADown 模块对原网络主干 首先通过 2×2 的平均池化层 (步长为 1，无填充)
中的特征提取和下采样过程进行优化，以降低模 进行初步降维，该操作使特征图空间尺寸缩减为
型参数量和提升检测精度，结构如图 2 所示。 原图的 (H−1)×(W−1)。随后特征流分两个并行分
ADown 是由 Wang 等 [31] 提出的一种轻量化下 支处理：
采样模块，采用池化操作替代传统卷积完成下采 3×3 卷积路径：特征图 X 1 通过卷积核尺寸

https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
4