YOLO11 改进系列 | 引入ICLR2025 C3k2_TSSA 模块：Token 统计自注意力增强 C3k2，适合密集目标和实例分割场景

YOLO11 改进 | C3k2_TSSA Token 统计自注意力替换 C3k2 全流程指南一、本文简介二、模块原理详解2.1 模块层级结构总览2.2 核心模块：AttentionTSSA_Meta（Token 统计自注意力）2.3 MetaFormerBlock（统一的 Token Mixer 容器）2.4 C3k_TSSA（深层精度增强模式）2.5 C3k2_TSSA（最终模块）三、改进思想与创新点3.1 背景与动机3.2 核心创新点3.3 与现有注意力改进方案的对比3.4 在 YOLOv11 框架中的适配设计四、完整代码五、手把手配置步骤Step 1：确认 `block.py` 已正确导入Step 2：确认 `tasks.py` 已注册 C3k2_TSSAStep 3：训练六、YAML 配置文件（多种改进形式）形式一：全面替换（Backbone + Head 全部用 C3k2_TSSA）形式二：仅替换 Backbone（Head 保留原版 C3k2）形式三：全 C3k 精度优先模式（c3k=True，注意力最强）形式四：混合模式（浅层 MetaFormerBlock + 深层 C3k_TSSA）形式五：P2 四尺度分割版（适合小目标）七、常见问题八、总结专栏系列：YOLOv11 注意力机制改进实战改进点：将 Backbone 与 Head 中的C3k2模块替换为基于Token 统计自注意力（TSSA）的C3k2_TSSA，在 MetaFormer 框架下用统计量驱动注意力，以极低的额外开销显著增强特征判别能力，适合高精度实例分割场景。一、本文简介C3k2是 YOLOv11 的核心特征提取模块，但其内部的标准 Bottleneck 仅依赖局部卷积操作，缺乏对全局上下文的感知能力。在实例分割任务中，密集目标的区分、遮挡场景的处理都需要更强的全局关系建模能力。本文引入发表于ICLR 2025的Token Statistics Transformer（ToST）中的核心注意力机制AttentionTSSA_Meta，将其嵌入 C3k2 框架，构造出C3k2_TSSA模块。核心改动：将 C3k2 内部的 Bottleneck 替换为MetaFormerBlock，采用AttentionTSSA_Meta作为 Token Mixer；