写在前面
2026年的目标检测赛道，已经进入了“注意力军备竞赛”的白热化阶段。YOLO12以注意力为核心的架构在精度上屡创新高，YOLO26则以一系列架构创新重塑了实时检测的基准线。但有一个事实不容忽视——在工业落地场景中，YOLO11仍然是性价比最高、生态最成熟的选择。
YOLO11作为Ultralytics在2024年9月发布的旗舰模型，凭借C3k2模块替代此前的C2f、C2PSA空间注意力模块以及优化的训练管道，在COCO数据集上相比YOLOv8m少用22%的参数却实现了更高的mAP。根据Ultralytics官方路线图，YOLOv5→YOLOv8→YOLO11→YOLO26的演进路径中，YOLO11是承上启下的关键节点。2026年3月12日，MLCommons正式宣布YOLO11被采纳为MLPerf Inference v6.0 Edge套件的官方目标检测模型，标志着它已成为行业级别的工业基准。
然而，做过工业级项目的开发者一定深有体会——YOLO11在原生的Neck端并未配备专门的注意力机制模块，特征融合过程相对“被动”，缺乏对多尺度特征的动态自适应加权能力。当面对小目标、遮挡目标、复杂背景等场景时，这一短板会被急剧放大。
那么，有没有一种方案，既能充分利用Transformer强大的长距离依赖建模能力，又不会让计算量膨胀到边缘设备无法承受？
答案是肯定的。这就是本文要深度剖析的主角——Swin Transformer的Window Attention机制。</
