VSSBlock 代码和论文图形之间不一致

【代码】VSSBLOCK。

最近想试一下VMamba的效果，所以想着安装一下VMamba，试一下VSSBlock的效果，这里记录一下安装过程，以备后续查阅。

本文提出将视觉状态空间模块（VSSBlock）引入YOLOv11目标检测框架，以提升模型性能。VSSBlock结合卷积的局部特征提取能力和Transformer的全局依赖建模，通过双分支结构（含3×3深度卷积和SS2D模块）实现高效特征提取，计算复杂度降至线性水平。实验表明，改进后的YOLOv11在保持实时检测效率的同时，显著增强了对长距离依赖和多尺度特征的捕捉能力。文中详细提供了代码集成步骤，包括模块导入、模型配置修改及训练流程，为相关研究提供了可复现的技术方案。该改进适用于复杂场景下的目标检测任务。

本文提出将视觉状态空间模块VSSBlock引入YOLOv12目标检测框架的改进方案。VSSBlock基于状态空间模型理论，通过二维选择性扫描机制(SS2D)实现线性复杂度的全局特征提取，其双分支结构融合局部细节与全局上下文。改进方法包括：1）在YOLOv12中嵌入VSSBlock以增强多尺度特征表征能力；2）详细代码实现路径（新建模块、导入配置、修改模型文件等）；3）实验验证流程（加载预训练权重、调整超参数）。该方法在保持轻量化优势的同时提升了小目标检测精度，相关代码已开源。

VSSM的核心是VSSBlock，VSSBlock的核心是SS2D，因此这篇文章主要介绍SS2D块，而且仅仅是简单梳理，不涉及原理解释，其中对变量所做的旋转翻转操作，应与交叉扫描机制有关。其与标准SSM多出的K参数，应该也与交叉扫描机制有关，理解能力有限，欢迎指出错误。

该篇论文中，引入了ODSSBlock模块，将SSM结构应用于目标检测领域。与用于图像分类的VSSBlock不同，用于目标检测的图像具有更大的像素，并且由于SSM模型通常对文本序列进行建模，缺乏对图像的通道表达能力，我们提出了LSBlock对通道特征进行建模。得益于图像较大的像素和较多的通道维度，我们提出了RGBlock结构在SS2D输出后进一步解码，利用点乘的高维表达方式提高通道相关性。Mamba - YOLO是视觉识别和检测任务中的一个重要进展，旨在构建一种结合SSM和CNN优点的新型骨干网络。

图中的SS2D和SS2D类的定义有偏差，简单来说是是包含SS2D块加一个残差连接，图中所示SS2D应表示状态空间模型SSM部分，即VSS块相比SS2D块只增加了残差连接和入口的归一化。对于ssm分支来说，其输入输出维度不变为(B, H, W, d_model) ，对于mlp分支来说中间的隐藏维度根据mlp_ratio参数定义会有所增加，但是最后又会映射为原来的维度，因此整体上并不改变输入的维度。下采样模块，通过2D卷积之后，长宽变为原来的一半，通道数不变。，嵌入后通道维变为96，

在医学图像分割领域，基于神经网络和基于变换器的模型都得到了广泛的研究。然而，神经网络在长距离建模能力方面表现出局限性，而变形金刚则受到其二次计算复杂度的阻碍。近年来，以Mamba为代表的状态空间模型（SSM）已成为一种有前途的方法。它们不仅在模拟长距离相互作用方面表现出色，而且保持了线性计算复杂度。

本文尝试使用Mamba的VSSBlock替换YoloV8的Bottleneck，打造最新的Yolo-Mamba网络。在医学图像分析的最新进展中，卷积神经网络（CNN）和视觉转换器（ViT）都取得了显著的基准成绩。前者通过其卷积操作在捕获局部特征方面表现出色，而后者则通过利用自注意力机制实现了出色的全局上下文理解。然而，这两种架构在有效建模医学图像中的长距离依赖关系时都存在局限，这对于精确分割至关重要。受到Mamba架构的启发，该架构因其处理长序列和全局上下文信息的能力以及作为国家空间模型（SSM）的增强计算

本文提出了一种改进YOLOv12目标检测模型的方法，通过引入视觉状态空间模块VSSBlock来增强特征提取能力。VSSBlock采用双分支架构，结合卷积网络的局部特征提取和状态空间模型的全局依赖建模优势，有效解决了传统方法在长距离依赖和跨尺度特征融合方面的不足。文章详细说明了将VSSBlock集成到YOLOv12的实现步骤，包括代码修改、模型配置和训练流程，适用于农业籽粒检测等需要同时关注局部细节和全局语义的应用场景。该方法在保持检测速度的同时提升了复杂场景下的目标定位精度。

我们证明了通过mamba[12]引入的选择性扫描机制，所提出的VMamba能够匹配现有流行的视觉基础模型，如ResNet[19]、ViT[10]、swin[27]和convnext[29]，显示了VMamba作为强大基础模型的潜力。早期基于vit的模型通常需要大规模的数据测试[10]，并以朴素的配置出现[54,58,1,31]。在强大的计算设备(GPU)和大规模数据集[7]的帮助下，越来越深入的[38,41,19,22]和高效的模型[20,42,52,36]被提出，以提高跨视觉任务的性能。

先说明整体架构：首先是layer norm层，输入归一化，之后有两个分支：分支1: 经过归一化，经过一个线性层进行线性变换，然后经过一个激活函数（SiLU）分支2：先经过线性层，再通过DW-Conv进行空间特征提取。卷机操作后，使用激活函数，输入到SS2D进一步提取特征，再做归一化两分支处理完，分别将输出通过逐元素乘积进行融合，之后通过一个线性层处理，再通过残差连接形成最后的输出。这里我用Vmamba论文中的SS2D图片来说明扫描方向。

视觉态空间（VSS）块结合C3二次创新，轻量级改进