尽管基于深度学习的解决方案在图像超分辨率（SR）中取得了令人瞩目的重建性能，但这些模型通常较大且架构复杂，使其与许多具有计算和内存限制的低功耗设备不兼容。为了克服这些挑战，我们提出了一种用于高效 SR 设计的空间自适应特征调制（SAFM）机制。具体来说，SAFM 层使用独立计算来学习多尺度特征表示，并聚合这些特征以进行动态空间调制。由于 SAFM 优先利用非局部特征依赖性，我们进一步引入了卷积通道混合器（CCM）来编码局部上下文信息并同时混合通道。本文考虑到YOLO目标检测的neck对特征特征层上采用的时候的时候，会产生特征的丢失，同时增强模型的多尺度特征，本文将SAFMN模块替换neck层的upsample()。

  

 

1. 空间自适应特征调制网络SAFMN结构介绍       

       SAFMN（Spatial Adaptive Feature Modulation Network）即空间自适应特征调制网络。它是一种用于图像超分辨率（SR）的深度学习网络架构。在深度学习的图像超分辨率领域，虽然基于深度学习的方法能取得很好的重建效果，但往往模型复杂且庞大，不适合在低功耗设备上运行。SAFMN 旨在解决这一问题，提供一种高效的图像超分辨率方案。

1. 多尺度特征表示：

        SAFMN 中的关键组件是空间自适应特征调制层（SAFM 层）。它通过独立计算来学习多尺度特征表示。具体来说，模型中可能包含多个 MFGU（多特征生成单元）模块，这些模块相互协作来处理不同尺度的特征。
2. 动态空间调制：

        SAFM 层会聚合这些多尺度特征，并进行动态空间调制。这种调制有助于更好地利用特征信息，提升图像超分辨率的效果。
3. 非局部特征依赖性和局部上下文信息：

        由于 SAFM 优先利用非局部特征依赖性，模型还引入了卷积通道混合器（CCM）。CCM 用于编码局部上下文信息并同时混合通道，这样可以在减少模型复杂度的同时，保证模型的性能。

2. YOLOv11与SAFMN的结合

        1. 本文将SAFMN模块替换neck层的upsample()，增强模型的多尺度特征。

3. SAFMN代码部分

YOLOv8_improve/YOLOv11.md at master · tgf123/YOLOv8_improve

 4. 将SAFMN引入到YOLOv11中

第一: 将下面的核心代码复制到D:\model\yolov11\ultralytics\change_model路径下，如下图所示。

第二：在task.py中导入SAFM包

第三：在task.py中的模型配置部分下面代码

    ​​​​​​ 

第四：将模型配置文件复制到YOLOV11.YAMY文件中

        第一个改进的配置文件

     第五：运行成功

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld

if __name__=="__main__":

    # 使用YOLOv11.yamy文件搭建的模型训练
    model = YOLO(r"D:\model\yolov11\ultralytics\cfg\models\11\yolo11_SAFM.yaml")  # build a new model from YAML
    model.train(data=r'D:\model\yolov11\ultralytics\cfg\datasets\VOC_my.yaml',
                          epochs=300, imgsz=640, batch=64
                # , close_mosaic=10
                )