Mamba-YOLO 是基于状态空间模型（State Space Model，SSM）的 PyTorch 官方实现，用于实时目标检测。它用 SSM 模块（VSSBlock、XSSBlock）替代传统 YOLO 中的卷积特征提取块，在保持检测精度的同时显著降低了计算量。本文将逐层解剖它的三大核心组件：SimpleStem 输入茎、VSSBlock 主干块和 PAFPN 检测头，帮你快速理解"状态空间模型如何取代卷积"这一热点话题。

上图展示了 Mamba-YOLO 的 T、B、L 三个规格与 YOLOv5/v6/v8、YOLOX、DAMO YOLO 等模型的对比：Mamba-YOLO 的曲线始终位于最上方——同样的精度需要更少的 FLOPs，同样的参数量能换来更高的 mAP。这正是 SSM 替换卷积带来的收益。

为什么状态空间模型能取代卷积？

传统卷积网络感受野受限：3×3 卷积只能看局部，要看全图就得堆叠很多层，深度增加后计算量呈平方级增长。SSM 的另一个代表 Mamba 证明了：把图像/序列看作一维序列，用递归的"状态更新"方式建模长程依赖，计算复杂度可以降到线性。

Mamba-YOLO 借鉴了 VMamba 的思路（selective scan 算子正是从 selective_scan/ 移植而来），把二维特征图沿行、列及其翻转方向共 4 条路径做交叉扫描（Cross Scan），在不损失方向信息的前提下让 SSM 覆盖全图。这就是整个网络的"发动机"——SS2D模块：

源码位置：ultralytics/nn/modules/mamba_yolo.py

第一站：SimpleStem——轻量输入茎

输入图像首先经过SimpleStem完成下采样和初步特征提取，取代了 YOLOv8 中两个 C2f 堆叠的 Stem。它的结构非常简洁：

• 两次 3×3 卷积（stride=2）：分辨率从 640×640 一路压到 160×160（即 P2/4）
• 通道数从 3 → embed_dim/2 → embed_dim（默认 128）
• 每个卷积后接 BatchNorm + 激活（GELU / SiLU）

源码位置：ultralytics/nn/modules/mamba_yolo.py

📌 设计亮点：整个 Stem 只有 2 个卷积层，没有任何残差连接。因为后面紧跟 3 个 VSSBlock 负责深层特征学习，Stem 只需要"把图变小、通道拉起来"即可，非常轻量。

第二站：VSSBlock——主干的SSM核心

VSSBlock 是 Mamba-YOLO 主干中替代 C2f 的核心模块，一个完整数据流是这样的：

1. proj_conv：1×1 卷积 + BN + SiLU，把输入通道对齐到 hidden_dim
2. LSBlock：深度可分离卷积 + BatchNorm 的局部特征增强（Local Spatial Block）
3. SS2D（交叉扫描 SSM）：对特征图做 4 方向选择性扫描，通过cross_selective_scan函数调用 CUDA 算子selective_scan_cuda_core，是"取代卷积"的关键一步
4. RGBlock（FFN 分支）：GELU 门控的前馈块，与 Transformer 的 MLP 分支类似
5. 两条分支都带DropPath随机深度，训练时按概率丢弃残差路径，起到正则化作用

源码位置：ultralytics/nn/modules/mamba_yolo.py

主干共 4 段 VSSBlock，分辨率逐级减半：

其中VisionClueMerge负责下采样：把特征图按 2×2 的四个相位切片拼接后，用一个 1×1 卷积把 4 倍通道压回目标维度——相当于"像素重排 + 逐点卷积"的轻量化下采样方案。

源码位置：ultralytics/nn/modules/mamba_yolo.py，完整结构可看 Mamba-YOLO-B.yaml

📌 注意中间层（P4/16）堆了9 个 VSSBlock，是全模型最深的部分：此处分辨率只有 40×40，SSM 计算代价低，是"深度换精度"的最佳位置。

第三站：PAFPN——用XSSBlock重构检测头

Mamba-YOLO 的检测头沿用了 PAFPN 的双向特征金字塔思想：

• 上行（Top-down）：P5 上采样后与 P4、P3 逐级 Concat，恢复小目标的细节
• 下行（Bottom-up）：再逐级下采样回传，把语义强的信息送给小目标层
• 最后 P3/P4/P5 三个尺度送入Detect头输出 80 类检测框

与标准 PAFPN 的区别在于：所有融合节点上原本的路径聚合卷积被换成了XSSBlock——它是 VSSBlock 的轻量变体，内部同样是SS2D + LSBlock + RGBlock的组合，只是去掉了部分投影层，更适合放在计算敏感的检测头里。

源码位置：ultralytics/nn/modules/mamba_yolo.py

Detect ← P3(256ch) + P4(512ch) + P5(1024ch) ↑ XSSBlock ↑ XSSBlock ↑ XSSBlock 三级尺度特征，多尺度目标一网打尽

三个规格怎么选？

Mamba-YOLO 提供 T（Tiny）、B（Base）、L（Large）三档，通过 mbyolo_train.py 的--config参数切换：

配置文件分别在 Mamba-YOLO-T.yaml、Mamba-YOLO-B.yaml、Mamba-YOLO-L.yaml。

上手训练：最小配置示例

环境要求 Python 3.11 + PyTorch 2.3.0，需要先编译 selective_scan/ 中的 CUDA 算子。安装完成后，一条命令即可开始训练：

python mbyolo_train.py --task train \ --data ultralytics/cfg/datasets/coco.yaml \ --config ultralytics/cfg/models/mamba-yolo/Mamba-YOLO-T.yaml \ --amp --project ./output_dir/mscoco --name mambayolo_t

📌 关键参数：--amp开启混合精度加速，--epochs默认 300 轮，数据集配置在 ultralytics/cfg/datasets/ 目录下，换数据集只需替换--data指向的 yaml。

小结

Mamba-YOLO 的架构精髓可以概括为三句话：

• ✅SimpleStem用最少的卷积完成输入压缩，把计算预算留给 SSM
• ✅VSSBlock + SS2D用 4 方向交叉选择性扫描实现线性复杂度的全局建模，取代了 C2f 卷积块
• ✅PAFPN + XSSBlock让双向特征金字塔也跑在 SSM 上，多尺度检测全面提速

从对比曲线看，Mamba-YOLO-L 以约 156 GFLOPs 拿到了 50+ mAP，超过了 YOLOv8 同等算力的表现。对于想入门 SSM 视觉模型、又熟悉 YOLO 体系的新手来说，这个项目是目前最易上手的状态空间目标检测实现之一：YAML 即配置、改一行参数就能对比不同规格，非常适合做 SSM 架构的实验与二次开发。