一、本文介绍
⭐本文介绍使用PVTv2主干网络作为YOLOv11的主干可以显著提升目标检测性能，尤其在多尺度目标、小物体检测和复杂场景下的鲁棒性方面。PVTv2通过其金字塔结构提取多尺度特征，结合全局和局部信息，使得YOLOv11在精度、速度和跨域适应能力上得到增强。其强大的表示能力有助于更准确地处理细粒度特征，提升对小物体和遮挡物体的检测能力，同时保持YOLO系列的高效实时性，适应更复杂和多变的检测环境。
包含6种主干改进: pvt_v2_b0,pvt_v2_b1,pvt_v2_b2,pvt_v2_b3,pvt_v2_b4,pvt_v2_b5
🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv11创新改进！🔥
专栏改进目录：YOLOv11改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进
全新YOLOv11-发论文改进专栏链接：全新YOLOv11创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文
本文目录
一、本文介绍
二、⭐PVTv2主干网络介绍
⭐ PVTv2 主干架构图
PVTv2主干的作用：
PVTv2主干的原理：
PVTv2主干的优势：
三、PVTv2主干的核心代码
四、手把手教你添加 PVTv2 主干网络结构和修改task.py文件
1.首先在ultralytics/nn/newsAddmodules创建一个.py文件
2.在ultralytics/nn/newsAddmodules/__init__.py中引用
3.修改task.py文件 ：在task.py中找到这个参数方法 def parse_model(d, ch, verbose=True):
关键步骤一：
关键步骤二：
关键步骤三：
关键步骤四：
五、创建涨点yaml配置文件
🚀创新改进1 : yolov11n_pvt_v2_b0.yaml
🚀创新改进2 : yolov11n_pvt_v2_b1.yaml
🚀创新改进3 : yolov11n_pvt_v2_b2.yaml
🚀创新改进4 : yolov11n_pvt_v2_b3.yaml
🚀创新改进5 : yolov11n_pvt_v2_b4.yaml
🚀创新改进6 : yolov11n_pvt_v2_b5.yaml
六、更换 PVTv2 主干，正常运行
二、⭐PVTv2主干网络介绍
摘要：基于深度学习的图像篡改定位（IML）方法近年来取得了显著进展，但通常依赖于大规模像素级标注数据集。为解决获取高质量标注的挑战，近期部分弱监督方法利用图像级标签进行篡改区域分割。然而，由于监督信号不足，其性能仍受限。本研究探索了一种能提升标注效率与检测性能的弱监督形式——涂鸦标注监督。我们采用涂鸦标签对主流 IML 数据集进行重新标注，并提出首个基于涂鸦的 IML（Sc- IML）数据集。此外，我们首次提出基于涂鸦的弱监督 IML 框架：通过结构一致性损失的自监督训练，促使模型在多尺度和增强输入下生成一致预测；创新性地引入先验感知特征调制模块（PFMM），该模块自适应整合篡改区域与真实区域的先验信息以实现动态特征调整，从而在复杂场景
