前言
本文介绍Mamba YOLO，为图片物体识别提供了“又快又准”的新方案。传统CNN架构运行快但难以捕捉远距离关联物体，Transformer架构精度高但计算量呈平方级增长，而SSM虽计算量为线性级且能抓全局关联，但用于图片识别时细节定位不准。为此，Mamba YOLO做了三项关键优化：引入ODMamba骨干网络，解决自注意力的二次复杂度问题，且无需预训练；设计ODMamba宏观结构确定最佳阶段比例和缩放大小；采用多分支结构的RG块建模通道维度，解决SSM在序列建模中的不足。在COCO数据集测试中，其小版本推理时间达1.5毫秒，mAP提高7.5%。
文章目录： YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总
专栏链接: YOLOv11改进专栏
介绍
摘要
在深度学习技术的快速发展推动下，YOLO系列为实时目标检测器设立了新的基准。此外，基于Transformer的结构已成为该领域最强大的解决方案，大大扩展了模型的感受野并实现了显著的性能提升。然而，这种改进是有代价的，因为自注意力机制的二次复杂度增加了模型的计算负担。为解决这一问题，我们提出了一种简单而有效的基线方法，称为Mamba YOLO。我们的贡献如下：
1) 我们提出在ODMamba骨干网络中引入状态空间模型(SSM)，以线性复杂度解决自注意力的二次复杂度问题。与其他基于Transformer和SSM的方法不同，ODMamba易于训练，不需要预训练。
2) 针对实时性要求，我们设计了ODMamba的宏观结构，确定了最佳阶段比例和缩放大小。
3) 我们设计了采用多分支结构的RG块来建模通道维度，这解决了SSM在序列建模中可能存在的限制，如感受野不足和图像定位能力弱等问题。这种设计更准确且显著地捕捉了局部图像依赖关系。
在公开的COCO基准数据集上进行的广泛实验表明，与先前的方法相比，Mamba YOLO实现了最先进的性能。具体来说，Mamba YOLO的微型版本在单个4090 GPU上实现了1.5毫秒的推理时间，mAP提高了7.5%。PyTorch代码可在以下链接获取：https://github.com/HZAIZJNU/Mamba-YOLO
文章链接
论文地址：论文地址
代码地址：代码地址
基本原理
Mamba YOLO，简单说就是给“识别图片里物体”的技术搞了个“又快又准”的新方案，解决了之前同类模型的痛点。
1. 为啥要搞这个新模型？
之前做“图片物体识别”（比如识别照片里的车、人、动物）的模型有两个大问题，有点“鱼和熊掌不可兼得”：
- 一类是老款CNN架构（比如早期YOLO）：跑起来快，但只能关注图片局部，对“远距离关联的物体”（比如左上角和右下角的两只猫）捕捉不好，容易漏判或误判；
- 另一类是Transformer架构：能看清全局关联，精度高，但计算量是“平方级”的——图片越大、内容越复杂，计算量就暴涨，跑起来特别慢，没法满足“实时识别”（比如监控抓拍、自动驾驶）的需求。
后来出现了一种叫“SSM（状态空间模型）”的技术（比如Mamba架构），计算量是“线性级”的（图片变大，计算量稳步增加，不暴涨），还能抓全局关联，但它原本是用来处理文字的，直接套在图片识别上就“水土不服”——对图片的细节定位不准，也不会利用图片的多通道信息。
所以研究者就想：把SSM和YOLO结合，搞个“取长补短”的新模型，既快又准。
2. 新模型厉害在哪？（3个核心设计）
为了让SSM适配图片识别，研究者做了3个关键优化，相当于给模型“量身定制”了装备：
- 装备1：ODMamba骨干网络：把SSM改成了适合图片检测的结构，不用像Transformer那样先在超大数据集上“预热训练”（省了很多时间和资源），计算量还是线性的，解决了“慢”的问题；
- 装备2：RG Block（残差门控模块）：SSM擅长看全局，但看不清局部细节（比如物体的边角、纹理），这个模块就像“双摄像头”——一个分支抓全局特征，一个分支抓局部细节，还能通过“筛选机制”留下有用信息，让物体定位更准；
- 装备3：Vision Clue Merge（视觉线索融合）：之前的模型缩小图片尺寸时，容易丢很多关键细节（比如小物体的轮廓），这个设计能在缩小图片的同时，保住更多视觉信息，帮模型更好地识别物体。
另外还做了个贴心设计：搞了“小（Tiny）、中（Base）、大（Large）”三个版本——手机端用小版本（省电快），服务器端用大版本（精度高），适配不同场景。
3. 实际测试效果咋样？（真·又快又准）
在公开的COCO数据集（相当于图片识别的“高考”）上测试，结果很亮眼：
- 小版本（Mamba YOLO-T）：在单块4090显卡上，1.5毫秒就能处理一张图（比眨眼睛快多了），精度比同级别其他模型高7.5%左右，而且需要的参数少了近一半（更轻量化）；
- 中版本（Mamba YOLO-B）：和同参数的模型比，精度高3.7%，跑起来还快1.8毫秒；
- 大版本（Mamba YOLO-L）：和当前最顶尖的模型比，精度差不多甚至更高，但参数更少、跑起来更快，而且图片越大，优势越明显（其他模型图片变大后会变慢，它还是稳步高效）。
更厉害的是，在复杂场景下（比如物体重叠多、背景乱、有遮挡），它也能准确识别，比其他模型表现更稳。
4. 总结一下
Mamba YOLO是第一个把Mamba（SSM架构）用到“实时物体识别”的模型，核心就是“让文字领域的高效技术适配图片任务”。它不用复杂的预热训练，还能灵活适配不同设备，既解决了老模型“慢”或“不准”的问题，又填补了SSM在图片检测上的空白，给监控、自动驾驶、手机拍照识别等需要“又快又准”的场景，提供了一个更好的选择。
