054、YOLOv11改进-StarNet星型网络替换Backbone参数量与mAP权衡即插即用实验上周调一个边缘部署项目，客户要求模型参数量控制在5M以内，但mAP不能低于0.52。YOLOv11n的Backbone占了将近3.8M，剩下给Neck和Head的空间捉襟见肘。试了几种轻量化方案，要么掉点严重，要么推理速度拉胯。翻到StarNet那篇论文时眼前一亮——星型操作加逐元素相乘，理论上参数量能砍一半，但特征表达能力不降反升。今天就把这个替换实验的完整记录贴出来，踩过的坑和调参细节都写在代码注释里了。为什么盯上StarNetYOLOv11的Backbone用的是C2f结构，核心是跨阶段局部连接加梯度分流。这个设计在中等规模模型上表现不错，但到了nano级别，C2f的残差分支反而成了参数浪费——每个Block都要维护两条路径的卷积权重。StarNet的思路很直接：用星型操作替代传统卷积堆叠。具体来说，输入特征图先经过两个1x1卷积分别映射到不同通道数，然后做逐元素相乘，最后再接一个1x1卷积恢复通道。整个过程没有3x3卷积，参数量主要来自三个1x1卷积层。我第一反应是这玩意儿会不会信息丢失？毕竟没有空间特征提取。但论文里用实验数据说话，在ImageNet上同等参数量下StarNet的Top-1准确率比MobileNetV3高1.2个点。空间信息其实被保留在了逐元素相乘的交互过程中——两个分支的特征图相乘，相当于在通道维度上做了类似注意力机制的操作。替换方案设计直接拿StarNet的Blo