YOLOv11 改进 | DBD_Down 边界感知下采样替换 stride-2 Conv 全流程指南一、本文简介二、模块原理详解2.1 层级结构2.2 前向传播流程三、改进思想与创新点3.1 背景与动机3.2 创新点 1：Sobel 显式边界先验3.3 创新点 2：边界/内部区域双路径下采样3.4 创新点 3：边界增强分支3.5 与同类下采样模块对比3.6 在 YOLOv11 中的适配方式四、完整代码五、手把手配置步骤5.1 放置模块代码5.2 在 tasks.py 中加入导入5.3 在 parse_model() 中加入模块解析5.4 修改 YOLOv11 下采样层5.5 训练调用示例六、YAML 配置文件6.1 完整边界增强版：yolo11-seg-DBD_Down.yaml6.2 轻量边界版：yolo11-seg-DBD_Down_Lite.yaml6.3 混合版：浅层 ADA_Down_Lite + 深层 DBD_Down七、常见问题7.1 NameError: name 'DBD_Down' is not defined7.2 RuntimeError: 通道数不匹配7.3 DBD_Down 和 DBD_Down_Lite 怎么选7.4 ADA_Down 和 DBD_Down 怎么选7.5 Segment 改 Detect 的适配思路7.6 YAML args 参数表八、总结专栏系列：YOLOv11 下采样结构与边界增强改进实战改进点：使用DBD_Down替换 YOLOv11 主干网络中的标准 stride-2 Conv 下采样层，通过 Sobel 边缘检测、边界/内部区域双路径下采样和边界增强机制，提高模型对裂纹、剥落、鼓包、受潮等工业缺陷边界的感知能力。一、本文简介原创改进模块DBD_Down来自ultralytics/nn/modules/down_block.py，全称可以理解为 Defect-Boundary-Aware Downsampling，即“缺陷边界感知下采样”。它不是某篇公开论文中的原始标准模块，而是面向工业表面缺陷检测、裂纹检测、边缘破损分割等场景构建的原创下采样结构。YOLOv11 默认主干网络在 P3、P4、P5 三个尺度转换位置使用 stride=2 的标准Conv完成下采样。这种方式结构稳定、计算路径简洁，但它会把所有区域放到同一条卷积下采样路径中处理，对裂纹、剥落边界、低对比缺陷轮廓等高频细节没有显式保护机制。对于缺陷检测和分割任务而言，目标边缘往往比目标内部纹理更能决定定位质量和 mask 轮廓质量，因此下采样阶段如果过早压缩边界响应，后续 Head 很难完全恢复这些细粒度信息。DBD_Down的设计重点是：在空间分辨率下降之前，先用 Sobel 算子提取边缘梯度，生成边界