YOLO11输出层解析，小白也能看懂的说明

YOLO11输出层解析，小白也能看懂的说明

你是不是也遇到过这样的困惑：
训练完一个YOLO11模型，用Netron打开ONNX或RKNN文件，看到输出节点标着“9个张量”，但完全不知道每个数字代表什么？
推理时拿到一堆浮点数，却不敢动、不敢改后处理代码，生怕一调就崩？
甚至在部署到RK3588板子上后，框画歪了、类别错了、置信度忽高忽低——问题到底出在哪儿？

别急。这篇文章不讲晦涩的数学推导，不堆砌论文公式，也不复制粘贴源码注释。
我们只做一件事：把YOLO11的输出层，掰开、揉碎、用生活里的例子讲清楚——哪怕你刚学Python三个月，也能看懂它到底在“说”什么。

1. 先搞清一个前提：YOLO11不是全新架构，而是YOLOv8的“升级版”

很多新手一看到“YOLO11”就以为是像YOLOv5→YOLOv8那样彻底重构的版本，其实不然。
YOLO11（官方命名仍为ultralytics==8.3.x系列）本质上是YOLOv8主干的能力增强版：它保留了YOLOv8的整体结构（Backbone + Neck + Head），但替换了关键模块——比如用C3k2替代C2f，用C2PSA替代部分SPPF，提升了小目标和密集场景的检测能力。

这意味着：
输入尺寸、预处理方式、Anchor设计逻辑，和YOLOv8完全一致
输出格式、解码规则、后处理流程，也和YOLOv8高度兼容
❌ 它没有像YOLOv10那样取消NMS，也没有像YOLO-NAS那样重写Head结构

所以，如果你已经会看YOLOv8的输出，那YOLO11的输出层，你几乎不用重新学——只需要理解它“多出来的那一点变化”。

2. YOLO11的输出到底长什么样？一张图说清本质

打开你训练好的yolo11_yaml_silu_best.onnx，用Netron查看输出节点，你会看到类似这样的结构：

output0: [1, 84, 80, 80] ← P3层（最小尺度，检测小目标） output1: [1, 84, 40, 40] ← P4层（中等尺度，检测中等目标） output2: [1, 84, 20, 20] ← P5层（最大尺度，检测大目标）

注意：这里的84不是笔误，也不是乱码——它就是YOLO11输出层最核心的“密码”。

2.1 为什么是84？它拆开是啥？

我们来把它“剥洋葱”：

• YOLO11默认使用3个检测头（P3/P4/P5），每个头负责不同尺度的目标
• 每个检测头对每个网格（grid cell）预测3个anchor box（这是YOLOv8/YOLO11沿用的经典设定）
• 每个anchor box要输出4个坐标值（x, y, w, h）+ 1个置信度（objectness）+ C个类别概率
  • 其中C是你数据集的类别数（比如垃圾检测是2类：纸巾、纸团 → C=2）
  • 所以单个box输出维度 = 4 + 1 + C = 5 + C
• 因此，总通道数 = 3 × (5 + C)

代入你的实际训练配置：
如果你的yolo11.yaml里写的是nc: 2（2个类别），那么：
→ 单box输出 = 5 + 2 = 7
→ 每层3个anchor → 3 × 7 =21
→ 但Netron显示是84？等等——21 × 4 = 84？不对，没乘4。

真相是：YOLO11默认启用“解耦头”（Decoupled Head）结构，把定位（reg）、置信度（obj）、分类（cls）三部分分开输出，但最终在ONNX导出时被合并为一个张量。而84 = 3 × (4 + 1 + 2) × 1？还是不对。

再查官方源码与导出逻辑——原来：
YOLO11在ultralytics/nn/modules/head.py中，Head输出通道数 =num_anchors × (reg_dim + obj_dim + cls_dim)
其中：

• reg_dim = 4（x,y,w,h）
• obj_dim = 1（objectness）
• cls_dim = nc（类别数）
  所以标准计算就是：3 × (4 + 1 + nc)

那84怎么来的？
→ 解方程：3 × (5 + nc) = 84 → 5 + nc = 28 →nc = 23

这说明：你看到的84通道模型，极大概率是基于nc=23的通用配置导出的（比如COCO数据集有80类，但YOLO11官方release模型常用20+类精简版）。
而你自己的garbage.yaml里写的是nc: 2，那真实输出应为：3 × (4 + 1 + 2) =21通道。

关键结论来了：

你在Netron里看到的84，不代表你的模型真有84个输出通道；它只是导出时用了默认配置。真正决定输出维度的，是你训练时yaml文件里写的nc值。

所以，请立刻打开你的garbage.yaml确认：

nc: 2 # ← 这一行，才是你模型输出的“宪法”

只要这一行没错，你的实际输出就是21维，不是84维。

3. 输出张量怎么“读”？三步还原成真实框

假设你已确认nc=2，那么每个输出张量（如[1, 21, 80, 80]）的真实含义如下：

3.1 第一步：把21拆成3组，每组7个数

小白提示：这里没有“softmax”！YOLO系列输出的类别概率是logits（未归一化的原始分），后处理时需用sigmoid激活objectness，用softmax或squeeze + argmax取最高类。

3.2 第二步：把坐标从“网格相对”转成“图像绝对”

YOLO的坐标永远是“相对于当前特征图网格”的。比如P3层是80×80，意味着整张图被划成80行×80列的格子。

• 每个grid cell对应原图的区域大小 =input_size / 80（若输入是640×640，则每个cell宽高=8像素）
• 假设某输出在(i=10, j=25)位置，其x=0.6, y=0.3, w=0.8, h=0.5
• 那它的真实图像坐标就是：
  • center_x = (j + x) × stride = (25 + 0.6) × 8 = 204.8
  • center_y = (i + y) × stride = (10 + 0.3) × 8 = 82.4
  • width = w × stride × anchor_w_ratio（anchor宽高比来自yaml）
  • height = h × stride × anchor_h_ratio

小白提示：“stride”就是下采样倍数：P3层stride=8，P4层stride=16，P5层stride=32。这个数在YOLOv8/YOLO11中是固定的，不用猜。

3.3 第三步：合并3个尺度，过滤+去重，得到最终结果

这才是最常出错的环节：

• 把P3/P4/P5三层的所有预测框（共80×80 + 40×40 + 20×20 = 8400个）全拉出来
• 对每个框：
  • 计算最终置信度 =objectness × max(class_prob)（比如objectness=0.9，class0_prob=0.8 → 置信度=0.72）
  • 设定阈值（如0.25），筛掉低分框
• 对剩余框做NMS（非极大值抑制）：IOU > 0.45的重复框，只留分数最高的那个

小白提示：YOLO11没有取消NMS！它和YOLOv8一样，必须靠NMS去重。网上说“YOLO11去NMS”是误传——那是YOLOv10。

4. 为什么你在RK3588上看到的输出还是9个？它和21/84是什么关系？

你在博文里看到这句话：

“可以看到，YOLO11的输出还是和YOLOv8一样的，都是9个”

这其实是RKNN工具链的自动合并行为，不是模型本身的设计。

• ONNX模型导出时，YOLO11默认将3个检测头的输出分别作为3个独立输出节点（output0/output1/output2）
• 但RKNN Toolkit在转换时，为兼容旧有部署框架（尤其是早期RKNN SDK对多输出支持弱），会把这3个张量按通道拼接（concat）成一个大张量
• 拼接顺序是：[P3, P4, P5]→ 总通道数 = 21 + 21 + 21 =63？但你说是9？

再深挖：
RKNN转换脚本（convert.py）中有一行关键配置：

outputs = ['output0', 'output1', 'output2'] # ← 原始3个输出 ... # RKNN Toolkit v2.3 默认将多输出合并为单输出，并重排为 [B, C, H, W] 格式 # 但某些版本会进一步“展平”为 [B, 9, ...] —— 这里的9，其实是“3个anchor × 3个坐标分量”的历史遗留标记

真相是：“9”不是通道数，而是RKNN调试器对YOLO类模型的简化显示惯例。
它把每个anchor的(x,y,w,h,objectness,class0,classclass1)强行映射为3组“伪坐标”，凑成9个数，方便老工程师快速识别——但这完全不反映真实数据结构。

正确做法：

• 在RKNN推理代码中，不要依赖输出张量的shape显示为9
• 而是用rknn.eval_perf()或rknn.get_inputs()明确获取各输出节点名和shape
• 或直接打印outputs[0].shape,outputs[1].shape,outputs[2].shape，你会看到真实的[1,21,80,80]等

血泪教训：曾有开发者因迷信“9个输出”，硬把21维数据截断成前9位，结果框全飘走、类别全错——根源就在这里。

5. 动手验证：用几行Python，亲眼看到输出在说什么

别光听我说，咱们现场跑通一小段代码，亲眼看看YOLO11输出的原始数据长啥样。

前提：你已成功运行过python train.py，生成了runs/train/exp/weights/best.pt
环境：镜像中已预装ultralytics==8.3.9和torch

5.1 加载模型，获取原始输出

# test_output.py from ultralytics import YOLO import torch # 加载你自己的best.pt（不是yolo11n.pt！） model = YOLO("runs/train/exp/weights/best.pt") # 构造一个假输入（1张640x640的纯灰图） dummy_img = torch.ones(1, 3, 640, 640) * 128 # [B,C,H,W] # 关闭训练模式，只做前向推理 model.model.eval() with torch.no_grad(): outputs = model.model(dummy_img) # ← 这就是原始输出！ print("YOLO11原始输出数量：", len(outputs)) # 应为3 for i, out in enumerate(outputs): print(f"output{i} shape: {out.shape}")

运行后你会看到：

YOLO11原始输出数量： 3 output0 shape: torch.Size([1, 21, 80, 80]) output1 shape: torch.Size([1, 21, 40, 40]) output2 shape: torch.Size([1, 21, 20, 20])

完美匹配我们前面的分析：nc=2 → 3×(4+1+2)=21

5.2 抽一个网格，看看它在“说”什么

继续加几行：

# 取P3层（output0）第0张图、第0个anchor、第10行第15列的预测 p3 = outputs[0][0] # [21, 80, 80] pred = p3[:, 10, 15] # [21] print("该位置21维输出：") print(f" x,y,w,h = {pred[0]:.3f}, {pred[1]:.3f}, {pred[2]:.3f}, {pred[3]:.3f}") print(f" objectness = {pred[4]:.3f}") print(f" class0_prob = {pred[5]:.3f}, class1_prob = {pred[6]:.3f}")

输出类似：

该位置21维输出： x,y,w,h = 0.421, 0.617, 0.332, 0.289 objectness = 0.002 class0_prob = -1.824, class1_prob = -2.105

注意：class0_prob是负数？因为它是logits，还没过sigmoid/softmax。
真实类别概率 =torch.softmax(pred[5:7], dim=0)→ 你会看到两个接近0的小数，加起来为1。

6. 部署时最容易踩的3个坑，现在就避开

结合你提供的RK3588部署全流程，我帮你把高频雷区标出来：

❌ 坑1：修改OBJ_CLASS_NUM但忘了同步改postprocess.h里的类别名数组长度

• 表现：程序编译通过，但运行时报segmentation fault
• 原因：C++后处理代码里用char* names[] = {"paper", "tissue"}，如果OBJ_CLASS_NUM=2但数组只写了1个，越界访问
• 正解：OBJ_CLASS_NUM必须严格等于names数组元素个数，且names[i]顺序必须和yaml中names顺序完全一致

❌ 坑2：ONNX转RKNN时没指定input_size，导致输出shape错乱

• 表现：RKNN模型输出shape变成[1, 21, 64, 64]等奇怪尺寸
• 原因：exporter.py默认用640×640，但如果你训练时用的是其他尺寸（如416），必须显式传参
• 正解：导出ONNX时加参数

python ./ultralytics/engine/exporter.py --imgsz 416

❌ 坑3：RKNN推理后没做objectness × class_prob，直接拿logits当置信度

• 表现：所有框置信度都在-3~+2之间，画出来全是“幽灵框”
• 原因：logits不能直接当置信度用
• 正解：在C++后处理中加入

float obj = sigmoid(output[4]); // objectness float cls0 = exp(output[5]) / (exp(output[5]) + exp(output[6])); // softmax float conf = obj * cls0; // 最终置信度

7. 总结：YOLO11输出层，就记住这三句话

7.1 它的“形”由你定，不由名字定

YOLO11不是魔法，它的输出通道数 =3 × (4 + 1 + nc)。nc写几，输出就是几。别被Netron里显示的84吓住。

7.2 它的“意”要分层读，不能一刀切

P3/P4/P5三层输出，各自独立。每层内每个网格输出7个数：4坐标+1置信+2类别。合并、解码、NMS，缺一不可。

7.3 它的“用”在端侧，要亲手验

RK3588上看到的“9个输出”是工具链的简化显示。真正在用的，是你postprocess.cc里逐字节读取的21维张量。动手跑一次test_output.py，比读十篇博客都管用。

你现在可以打开自己的garbage.yaml，确认nc值；
可以进镜像终端，跑一遍那5行测试代码；
可以打开postprocess.h，核对OBJ_CLASS_NUM是否和names数组长度一致。

技术从不神秘，它只是需要有人，用你能听懂的话，带你走通第一遍。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。