做目标检测的人大概都有过这种经历：模型拿去跑公开榜单，成绩还算体面，一旦丢到小目标密集、遮挡严重的自家场景里，漏检率立刻原形毕露。改损失函数、调锚框、堆数据增强，折腾一两周涨点有限。这时候，往网络里塞一个轻量注意力模块，往往是性价比最高的解法。

YOLOv11迭代到这一代，骨干里已经有C3k2、C2PSA这类自带注意力味道的结构，但针对位置敏感的目标检测任务，直接嵌入Coordinate Attention坐标注意力模块，依然能在几乎不增加推理延迟的前提下挖出明显涨点。这个模块的特别之处在于，它把“通道注意力”和“空间坐标信息”揉在了一起，对小目标定位、遮挡场景的帮助非常直接。

这篇内容写给正在做YOLO系列改进实验的同学。我把自己在YOLOv11里集成CA模块的完整过程写出来，包括模块原理、插入位置选型、源码注册、yaml修改、训练对比和踩坑记录。照着操作就能复现，动手前先把原理看明白，后面调参会顺手很多。

1. Coordinate Attention原理拆解：为什么它能涨点

1.1 从SE到CA：注意力机制到底在关注什么

注意力机制在检测网络里的角色，简单说就是帮网络“选择要看哪里、放大哪路特征”。早期的SE模块（Squeeze-and-Excitation）把特征图压成一个全局通道描述子，再通过两个全连接层给每个通道算权重。它的逻辑是“所有通道做个全局平均池化，然后互相竞争”，通道数多就拉着看，通道数少就压一压。效果确实有，但SE有个天然短板：它把整个特征图压成了一个点，空间位置信息全丢了。比如一张图里，目标都在左下角，SE不管目标在哪，只看通道响应总强度，位置先验完全缺失。

后来的CBAM尝试补上空间维度的注意力，在通道注意力之外再接一个空间注意力分支。CBAM的空间注意力用的是7x7大卷积核，感受野很大，但卷积核是共享的，不同空间位置之间还是“揉成一团”的关系，对细粒度位置敏感度不够，而且参数量和计算量比SE高一个量级。

CA模块走的是另一条路。它不做全局压成一个点，而是把特征图分别在高度方向和宽度方向做两次一维池化，得到两个“扁条状”的描述子：一个长着高度信息，一个长着宽度信息。这样网络既能拿到通道层面的全局响应，又保留了“目标在哪一行、哪一列”的坐标先验。目标检测本质上是回归“框的位置”，这种坐标感知能力正好打在痛点上。

1.2 CA的四个核心步骤

CA模块的前向计算可以拆成四个环节：

• 坐标信息嵌入：对输入特征x（形状为N×C×H×W），在宽度方向做平均池化得到高度方向的描述子（N×C×H×1），在高度方向做平均池化再转置得到宽度方向的描述子（N×C×W×1）。这一步把二维特征图的每个行/列压缩成一个值，保留对应的坐标信息。
• 特征融合：把两个一维描述子在空间维上拼接，得到N×C×(H+W)×1的特征，然后通过一个1×1卷积压缩通道数，再经过批归一化和激活函数。这一步的作用是让高度和宽度两条路径先“对话”，共享压缩后的特征表达。
• 坐标注意力生成：把融合后的特征重新拆成高度和宽度两个分支，分别通过1×1卷积映射回单通道，经过sigmoid得到归一化的注意力权重。这两个权重一个负责标注“每一行的重要程度”，一个负责“每一列的重要程度”。
• 特征重标定：把原始特征图分别乘上高度权重和宽度权重。由于权重是沿着一个方向广播的，最终每个位置得到的加权系数同时包含行方向和列方向的信息，等效于给特征图做了一次“可学习的二维空间软掩码”。

这就是CA和SE最本质的区别。SE的权重是全局通道标量，所有位置乘同一个数；CA的权重是行向量乘以列向量的外积形式，通道维度和空间位置维度都被编码进去了。

1.3 三个注意力模块的横向对比

CA在参数量增加极小的前提下，拿到了方向级坐标先验，这正是检测任务需要的。实际使用中需要注意：CA的两个1×1卷积之间的通道压缩比 reduction 不能设得太狠，否则信息瓶颈太窄，高层语义会被压没。常规取32，当特征层通道数很小（比如64）时，我习惯改成16或者让压缩后的最小通道数不低于8。

2. YOLOv11的结构画像与插入位置决策

2.1 YOLOv11的骨架和头部结构

不看代码直接谈嵌入位置都是耍流氓。先简单梳理一下YOLOv11的典型结构（这里以官方仓库的yolov11.yaml为参照）：

骨干部分从640×640输入开始，先用两个步长为2的卷积快速下采样到1/4，再接若干个C3k2模块逐级提取特征，在1/8、1/16、1/32三个尺度输出特征图。骨干末尾接SPPF（Spatial Pyramid Pooling Fusion）做多尺度池化特征的融合。C3k2是YOLOv11的主干模块，可以理解成对之前C3结构的一次“瘦身优化”，去掉了中间分支的冗余卷积，保持了足够感受野的同时计算量更小。更深的阶段还会用C2PSA模块，它内部引入了一个基于位置敏感的自注意力机制，这也是YOLOv11对比v8的一大变化。

检测头部分走的是无锚框解耦设计，从骨干特征图出发，通过上下采样和Concat拼接实现特征金字塔融合，最后在P3/P4/P5三个尺度上分别做分类和回归。

关键点在于：YOLOv11本身已经有了C2PSA这种注意力机制，为什么还要额外嵌入CA？我的理解是，C2PSA的注意力主要处理特征图内部的全局依赖，权重既跟内容相关、也跟位置相关，但它作用的范围在骨干中后段，并且计算方式更接近自注意力，代价不低。CA这种轻量、方向解耦的先验式注意力，插入成本极低，适合用在那些“通道多、位置信息要重新标定”的环节上，两者并不冲突，更多是互补关系。

2.2 三个常见插入位点的对比

往YOLOv11里插CA，常见的有三个位置：

• 骨干尾部的SPPF之后。这里特征图分辨率降到1/32，通道数1024，语义信息最丰富。在SPPF之后加CA，能直接调节送往颈部融合的P5特征，让高层特征在“进入跨尺度融合前”先把关键区域标定出来。优点是不改动颈部结构，实现最干净，训练和推理都稳定。
• 颈部下采样/上采样的中间层。比如在P4或P3尺度的C3k2之后插入CA。这样可以单独强化某个尺度的特征，比如你明显感觉小目标不行，就在P3这条支路上加。缺点是yaml改动更复杂，多个位置插入CA会导致参数量和显存上升更快，训练时间拉长。
• 检测头之前。在Detect模块前给每个尺度的特征图都加CA，理论上最贴合“让检测头只看该看的位置”。但代价也最大：三个尺度全都加，计算量叠加，而且CA已经介入不了特征融合过程，有点“临阵磨枪”的意思。我试过在P5单独加，涨点不如在SPPF后加明显。

从工程角度来说，建议先用方案一：改动最小、回归风险最低，验证CA在你数据集上是否有效。确认有效之后，再去探索多位置叠加的收益。

2.3 我的选择：骨干SPPF之后嵌入CA

我最终采用的方案是在SPPF模块之后、进入头部上采样分支之前插入一个CoordAtt层。这个位置有三个实际好处：

第一，SPPF的输出是骨干里通道数最高的特征（1024），CA在这里做通道压缩比例是32时，中间mip通道是32，信息瓶颈足够宽，注意力权重表达力强。第二，这个位置影响的是P5这一层送出的特征，而后续两次上采样都会继承这个特征，等于一个CA同时影响了三个尺度的融合过程，性价比最高。第三，修改只涉及backbone部分，头部索引和yaml结构几乎不用大调，出错概率低。

如果你在多卡训练或者部署时对延迟有硬指标，也可以考虑只在主干输出P3那一层加CA。那个尺度通道数低，CA带来的FLOPs几乎可以忽略。但是P3特征语义层级低，对小目标的增益要实测才知道。

3. 手把手集成：从定义模块到注册进YOLOv11

3.1 CA模块的PyTorch实现

这里给出一个我在实际项目里一直沿用的实现。它没有依赖输入尺寸的显式池化参数，用mean操作替代了AdaptiveAvgPool，好处是任何输入分辨率都能跑，不会因为H、W不同而报错：

import torch import torch.nn as nn import torch.nn.functional as F class CoordAtt(nn.Module): def __init__(self, inp, oup, reduction=32): super().__init__() # 通道压缩后的最低维度保护，防止小通道模型被压得过狠 mip = max(8, inp // reduction) # 两个方向的1x1卷积 + BN + 激活 self.conv1 = nn.Conv2d(inp, mip, 1, bias=False) self.bn1 = nn.BatchNorm2d(mip) self.act = nn.SiLU() # 拆分后分别生成高度、宽度注意力权重 self.conv_h = nn.Conv2d(mip, oup, 1, bias=False) self.conv_w = nn.Conv2d(mip, oup, 1, bias=False) def forward(self, x): identity = x n, c, h, w = x.shape # 坐标信息嵌入：两个方向的一维平均池化 x_h = x.mean(dim=3, keepdim=True) # (n, c, h, 1) x_w = x.mean(dim=2, keepdim=True) # (n, c, 1, w) x_w = x_w.transpose(2, 3) # (n, c, w, 1) # 拼接融合 y = torch.cat([x_h, x_w], dim=2) # (n, c, h+w, 1) y = self.conv1(y) y = self.bn1(y) y = self.act(y) # 拆回两个方向 x_h, x_w = torch.split(y, [h, w], dim=2) x_w = x_w.transpose(2, 3) # (n, mip, 1, w) # 生成注意力权重 a_h = torch.sigmoid(self.conv_h(x_h)) # (n, 1, h, 1) a_w = torch.sigmoid(self.conv_w(x_w)) # (n, 1, 1, w) # 重标定：行权重乘以列权重，广播相乘 out = identity * a_h * a_w return out

需要注意几个细节：

• 激活函数我用了SiLU，和YOLOv11主体的激活保持一致。原论文里用的是h-swish，效果相差不大，但保持全网络激活函数统一对训练稳定有好处。
• 两个方向的权重通过乘法组合，而不是加法。实验里乘法形式的涨点更稳定，因为加法会让权重退化成单个方向的线性叠加，坐标耦合感变弱。
• BatchNorm放在两个方向共享的conv1后面，而不是每个方向单独放。原因是拆分后的特征来自同一个融合张量，共享BN可以减少参数量，也不会导致数值分布分裂。
• 部署时如果担心sigmoid开销，可以换成ReLU6(x+3)/6这种hard sigmoid实现，量化友好度更高。训练阶段两者差距很小。

3.2 把CoordAtt注册进模型解析流程

Ultralytics框架的yaml不是直接跑PyTorch的，它会经过一个parse_model函数把yaml字符串解析成真正的nn.Module对象。因此，光在某个文件里定义了CoordAtt类还不够，还要在解析逻辑里“登记”这个模块，告诉框架它的输入输出通道怎么算。

以我使用的YOLOv11版本为例，操作路径是：

• 新建文件：ultralytics/nn/modules/attention.py，把上面的CoordAtt代码放进去。

• 在ultralytics/nn/modules/init.py里追加导入：

  from .attention import CoordAtt

• 在ultralytics/nn/tasks.py的parse_model函数里，找到那个一堆if/elif判断模块类型的地方，新增一个分支：

  elif m is CoordAtt: c1, c2 = ch[f], ch[f] args = [c1, c2]

  这行代码的意思是：CA模块的输入输出通道都是上一层特征图的通道数，所以c1和c2直接取ch[f]，不需要像Conv那样额外解析args里的目标通道数。

• 如果只想让模块别名能在yaml里被识别，不依赖tasks.py的if分支，也可以把CoordAtt包进Conv模块逻辑里，但那样会破坏结构，不推荐。

注册之后，运行一次模型实例化，看打印出来的结构表里是否出现了CoordAtt层以及对应的输出通道，这一步就能确认注册是否成功。

3.3 修改模型yaml配置并验证网络

接下来修改模型定义文件。我用的yaml是自建的一个yolov11s-ca.yaml，整体结构保持官方原样，只在SPPF后面加了一行：

backbone: - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 - [-1, 1, C3k2, [256, False, 0.25]] # 2 - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8 - [-1, 1, C3k2, [512, False, 0.25]] # 4 - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16 - [-1, 1, C3k2, [512, True]] # 6 - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32 - [-1, 1, C3k2, [1024, True]] # 8 - [-1, 1, SPPF, [1024, 5]] # 9 - [-1, 1, CoordAtt, []] # 10 新增CA

注意我在这里写的是空参数[]。因为parse_model分支里args会被重新赋值为[c1, c2]，yaml里写不写数字都会被覆盖。如果你想在yaml里显式指定reduction之类的超参，那就需要在分支逻辑里多做一步参数解析，比如读取args[0]作为reduction。我日常实验图省事，直接把reduction写死在模块定义里。

head部分从第10层继续往下取就行，原本引用“-1”的地方自动指向CA的输出，Concat里引用“9”的操作也不受影响。改完yaml后，用下面的命令快速验证：

yolo detect predict model=models/yolov11s-ca.yaml source=test.jpg

或者直接在Python里：

from ultralytics import YOLO model = YOLO("models/yolov11s-ca.yaml") print(model.model)

看到输出列表里出现CoordAtt(1024, 1024)这一行，且前后层的通道数能对上，就说明结构没问题。如果模型加载报KeyError或者AttributeError，九成是模块没注册成功，回到3.2检查导入和分支。

3.4 加载预训练权重的正确姿势

给自定义结构加载官方预训练权重时，最常见的坑就是strict模式直接报错。因为CA层是新增的，预训练模型里没有这个key，严格加载必然失败。Ultralytics默认情况下对不匹配的key是忽略并打印警告的，所以我一般直接写：

yolo detect train model=models/yolov11s-ca.yaml pretrained=yolov11s.pt

这里pretrained指定的是官方原版yolov11s权重，框架会自动只加载名字匹配的参数，CA层从头训练。如果你的训练脚本是自己写的，记得把load_state_dict的strict参数设为False，否则直接崩。

还有一个小建议：首次训练时没必要从完全随机初始化开始。用官方预训练权重作为起点，CA层虽然是从零学起，但它插在已经收敛好的特征层之后，收敛速度会快很多。我实测下来，加载预训练比随机初始化在同一轮数下mAP能高3到5个点。

4. 训练配置与消融实验结果

4.1 实验设置与训练参数

我在自建的车辆检测Demo数据集上做了完整的消融验证。这个数据集特点很鲜明：图片里大量出现小尺寸车辆、树荫遮挡、车辆之间互相重叠的场景，和公开自然图像数据集相比，位置信息对检测判别的贡献占比更高，非常适合用来检验CA这类坐标注意力模块。

实验设置如下：

对照组是官方yolov11s模型结构，实验组是在同一结构上于SPPF后插入CA。除了模型结构以外，训练参数、数据顺序、随机种子全部保持一致，确保对比公平。

4.2 消融结果对比与分析

训练结束后，我在验证集上统计了mAP50、mAP50-95和参数量、推理耗时：

参数量增量在十万级，推理耗时基本可以看作没有变化，mAP50提升1.1个点，mAP50-95提升1.7个点。这个幅度看起来不大，但在检测任务里，结构改进能稳定涨1个点已经是很不错的收益了，而且是在近乎零成本的前提下。

更有意思的是分尺度的AP统计。我把验证集按目标尺寸分成了小目标（像素面积小于32×32）、中目标和大目标三组：

小目标涨了3个多点，大目标几乎没动。这个结果完全符合预期：大目标在特征图上占据的区域大，普通卷积的响应已经足够强，注意力权重帮不上太多忙；小目标只占十几个像素，方向和位置先验变得异常重要，CA恰好补上了这块信息。

4.3 注意力可视化与实践观察

除了指标，我还把CA层的权重做了可视化。具体做法是把a_h和a_w取出来，乘到特征图上再画热力图。观察到的现象很直观：在车辆密集的道路场景里，CA权重的响应区域明显倾向于“车辆与背景的边界处”，轮子、车窗这些判别性强的局部，以及两个车紧挨着的缝隙位置，都被重点标定。遮蔽场景里，CA甚至能提前激活那些被树叶挡住、但根据位置应该存在车辆候选的区域。

这个特性对后续的NMS阶段也很友好。注意力权重提前把响应集中到目标真实位置上，检测头回归出来的候选框更紧凑，置信度分布更尖锐，不那么容易出现“一个目标出现七八个框”的情况。我后面又做了一次对比，同一置信度阈值下，加CA模型的重复框数量大约减少了两成。

5. 踩坑记录与问题排查速查

5.1 注册后报错：模块不存在

报错形式通常是“NameError: name 'CoordAtt' is not defined”或者在parse_model里KeyError。这表示模块定义没有被正确导入。排查顺序：先确认attention.py文件路径有没有被__init__.py导出，再确认tasks.py顶部有没有显式from该模块导入类名。Ultralytics不同版本对模块的导入方式有差异，有的版本用from ultralytics.nn.modules import Conv, C3k2这种清单式导入，你需要在清单里把CoordAtt加上。

5.2 输入尺寸不匹配

现象是前向传播时报错，说某个维度对不上。常见原因：旧版本PyTorch对(x.mean(dim=3, keepdim=True))这条路径没问题，但你要是在模块里用了nn.AdaptiveAvgPool2d((None, 1))这种写法，低版本torch会直接抛异常。我的做法是统一用mean操作替代，彻底避开池化输出尺寸的兼容性问题。如果有自定义的预训练权重或量化工具链，也建议全部走mean路径。

5.3 训练显存占用过高

CA本身增加的计算量很小，但如果在多个尺度上都插入CA，整体显存占用会明显上升。尤其在高分辨率输入（1280×1280）时，P3尺度的特征图张量很大，CA虽然只有一个1×1卷积，但这个卷积要跑在整张特征图上，叠加多层的梯度保存会占额外显存。建议先用单卡batch=8做显存摸底，再决定要不要多位置插入。如果显存紧张，把reduction从32改成64能省一部分激活显存，代价是注意力表达力略降。

5.4 加了CA反而掉点

这个情况我也遇到过，通常有三种原因：

• 插入位置不合适：如果插在P3浅层特征上，低层特征的坐标信息本身还比较“原始”，CA的1×1卷积压缩反而丢掉了有用的空间细节。建议先回到SPPF后，把CA放在语义最丰富的位置验证。
• 学习率过大：新增BN层在训练初期会引入数值不稳定，学习率本身偏大的话，偶尔会出现前几轮loss不降反升。把初始学习率从0.01降到0.005，或者在前10个epoch用一个warm-up，就能缓解。
• 数据集本身位置不敏感：如果你的场景里目标尺度很大、背景单一，CA的收益就不明显，甚至因为增加的参数量没有匹配的梯度信号而略微掉点。这时候就不要强行上CA，换SE或者干脆不加。

5.5 兜底排查清单

整理成一张速查表，出现问题时按顺序排查：

6. 后续还能怎么扩展

这次实验做完之后，我又顺手试过两个变体，效果都还行：一是在YOLOv11颈部上采样后的P3支路再插一个CA，小目标AP又能往上拱0.5个点左右，适合目标尺度特别小的场景；二是把CA的reduction做成按通道数自适应，1024通道用32，256通道用16，免去手动调参。

我个人在实际操作中的体会是：CA这类坐标注意力模块，价值不在“堆参数”，而在于它给网络注入了一种结构性的位置先验。目标检测对位置天然敏感，任何能低成本补足位置信息的模块，都值得在消融实验里占一个位置。下次再有人问我YOLOv11改进怎么入门，我大概率也会先推荐从这个模块开始——改动小、收益可见、原理还讲得清楚，拿来练手再合适不过。