1.项目介绍
该项目基于YOLO11目标检测框架进行架构优化，通过引入Squeeze-and-Excitation（SE）注意力模块增强特征通道间的依赖关系，同时新增P2检测层提升小尺度人脸目标的检测精度。使用WIDERFace数据集进行训练，并以yolo11n.pt预训练模型作为基础，在保持较高检测准确率的同时显著降低模型复杂度与计算开销。得到一个轻量化人脸检测模型，支持高效推理，适用于移动端、嵌入式设备等资源受限场景的部署需求。
2.YOLO11网络结构的改进
2.1.SE模块的介绍SE的主要思想是通过对输入特征进行压缩和激励，来提高模型的表现能力。具体来说，SE注意力机制包括两个步骤：挤压（Squeeze)、激励（Excitation）。 SE模块的结构：
SE 模块主要包含 Squeeze 和 Excitation 两部分。W，H 表示特征图宽，高。C 表示通道数，输入特征图大小为 W×H×C。
SE注意力机制的实现步骤如下： (1) Squeeze：通过全局平均池化，将每个通道的二维特征（H*W）压缩为1个实数，将特征图从 [h, w, c] ==> [1,1,c]。 (2) excitation：给每个特征通道生成一个权重值，论文中通过两个全连接层构建通道间的相关性，输出的权重值数目和输入特征图的通道数相同。[1,1,c] ==> [1,1,c]。 (3) Scale：将前面得到的归一化权重加权到每个通道的特征上。论文中使用的是乘法，逐通道乘以权重系数。[h,w,c]*[1,1,c] ==> [h,w,c]。 2.2.P2检测头介绍P2检测头的设计原理： (1)空间分辨率优势：P2层特征图的分辨率是输入图像的1/4（如640x640→160x160），相比P3层（1/8）保留更多小目标细节，显著改善小目标漏检问题。 (2)特征提取增强：通过浅层高分辨率特征直接输出检测结果，避免深层特征因下采样丢失小目标信息。 3.Wider Face数据集简介
根据你自己的需求选择适合的数据集，这里选择Wider Face数据集进行演示示例。 根据官网的介绍，Wider Face数据集最早是在2015年公开的（v1.0版本）。WIDER FACE数据集是一个人脸检测基准数据集。WIDER FACE数据集基于61个事件类进行组织。对于每个事件类，随机选择 40%/10%/50% 的数据作为训练、验证和测试集。在WIDER FACE数据集中，类别数量为1，该数据集仅包含单一类别。 WIDER FACE数据集的目录结构如下：
4.演示效果
百度网盘提取：
| 
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜
