魔改工程师-CSDN博客

原创 2026最新YOLO26改进：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

针对YOLO26模型改进痛点，本专栏整理200+实战验证方法，覆盖卷积层、注意力机制等核心模块。每种方法含原理、性能分析、改进路径及实操流程，代码可直接运行，快速提升模型效果，性价比超高。

2026-01-25 21:57:08 16050

原创【直接可用】Mamba与YOLO集成环境共享通知：免复杂搭建，私信我可获取镜像

鉴于 Mamba 与 YOLO 相关环境搭建过程中，常面临依赖包版本冲突、配置参数繁琐、编译环节易出错等问题，整体流程较为复杂，往往需要耗费大家大量时间排查调试。为有效提升大家的研发与使用效率，避免在环境搭建上重复投入精力，现已成功搭建完成一套完整、稳定且可直接运行的 Mamba 与 YOLO 集成环境。

2026-01-04 22:48:28 442

原创 YOLO11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

2025-11-25 19:53:36 4432 11

原创 YOLO26改进 - C3k2 | C3k2模块融合FMB模块 (Feature Modulation Block) 通过多层次特征调制优化空间与通道表征

本文介绍了自调制特征聚合模块（SMFA）和部分卷积前馈网络（PCFN）组成的特征调制块（FMB）在YOLO26中的结合应用。FMB能整合局部与非局部特征，具有高效信息流动、多层次特征提取等优势。本文将FMB集成到YOLO26的C3k2模块，在`tasks.py`中注册，并在Neck的第13、16、19、22层使用C3k2_FMB，Backbone保留原有C3k2。SMFANet原论文的实验面向图像超分辨率；移植到YOLO26后的检测精度需要在目标数据集上训练评估。当前已完成模型构建与前向验证。

2026-10-14 17:26:17 17

原创 YOLO26改进 - 特征融合 | HS-FPN高效特征金字塔网络，通过选择性特征交互实现参数优化与性能提升

本文介绍 MFDS-DETR 中的高层筛选特征金字塔 HS-FPN 在 YOLO26 中的接入方法。HS-FPN 利用高层语义特征生成通道权重，对低层特征进行选择，再通过逐点相加完成跨尺度融合。本文保留 YOLO26 主干及检测头，在 Neck 中构建 P5 → P4 → P3 的选择性特征交互，提供与当前项目一致的模块实现、注册步骤、YAML 和训练脚本。具体精度与速度变化需要通过目标数据集上的完整训练及基线对比评估。

2026-10-14 17:18:29 13

原创 YOLO26改进 - 特征融合 | GIRAFFEDET之GFPN ：广义特征金字塔网络，高效地融合多尺度特征

本文介绍了创新的对象检测框架GiraffeDet在YOLO26中的结合应用。GiraffeDet旨在通过轻量级骨干网络和深度、庞大的颈部模块实现高效的多尺度信息交换，其核心包括轻量级的空间到深度链（S2D-chain）和广义特征金字塔网络（GFPN）。其中，S2D-chain减少计算成本和域迁移问题，GFPN提供跨层次和跨尺度的特征融合。我们将GFPN集成进YOLO26，替代原有的特征融合模块，实现更高效的信息交换。本次接入保留 YOLO26 主干，在 Neck 中引入 GFPN 特征融合阶段；检测精度和速

2026-10-14 17:03:56 11

原创 YOLO26改进 - 特征融合 | AFPN渐进特征金字塔网络实现高效多尺度特征融合与检测精度突破

本文介绍了渐进特征金字塔网络（AFPN）及其在YOLO26中的结合应用。AFPN用于目标检测任务中的多尺度特征提取，解决了传统特征金字塔网络信息丢失和融合效果不佳的问题。其创新点在于跨非相邻层的直接特征融合、自适应空间融合操作，具备高效计算性能与广泛适用性。AFPN通过渐进式融合策略和自适应操作，避免语义差距和信息冲突。我们将AFPN集成进YOLO26，替换部分模块。本文完成 AFPN 在 YOLO26 中的工程接入，具体检测精度与速度需通过目标数据集上的完整训练和消融实验评估。

2026-10-14 16:48:18 85

原创 YOLO26改进 - 特征融合 | SSFF+TPE+CPAM 协同,ASF-YOLO 三重模块破解密集小目标分割难题

本文介绍了基于注意力尺度序列融合的ASF - YOLO模型在YOLO26中的结合应用。ASF - YOLO旨在实现准确快速的细胞实例分割，结合空间和尺度特征，引入SSFF模块增强多尺度信息提取能力，TFE模块融合不同尺度特征图，CPAM整合前两者以关注信息丰富通道和小物体。我们将ASF - YOLO相关模块集成进YOLO26，替代原有的部分特征融合模块，实现更高效的特征提取与融合。实验证明，YOLO26 - ASFYOLO在细胞实例分割任务中表现出色，展现了该模型在深度学习中的广泛应用前景。

2026-10-14 16:45:01 73

原创 YOLO26改进 - 特征融合 | 引入聚集-分发机制：Gather-and-Distribute 优化特征金字塔信息流与多尺度特征融合效率

本文介绍了先进的收集与分发机制（GD）及其在YOLO26中的结合应用。GD机制通过卷积和自注意力操作实现，基于此设计的Gold - YOLO模型增强了多尺度特征融合能力，实现了延迟与精度的平衡。此外，首次在YOLO系列中引入MAE风格的预训练。我们将Gold - YOLO相关模块集成进YOLO26，替换部分模块。具体精度和速度表现需在目标数据集上进行完整训练及对比实验。

2026-10-14 16:32:31 53

原创 YOLO26改进 - 特征融合 | LCA光照交叉注意力：跨尺度交叉引导与强度增强协同建模，强化多尺度特征交互 | CVPR2025

本文介绍了光照交叉注意力（Lighten Cross-Attention，LCA）模块在YOLO26中的结合应用。LCA源自HVI-CIDNet的I_LCA分支，由跨注意力块CAB与强度增强层IEL组成，通过一路特征生成查询、另一路特征提供键和值，再利用强度增强结构细化融合响应。我们将I_LCA重命名为LCA，适配为接收YOLO26检测头两路特征的融合模块，并在检测头中替换四处Concat，构建自顶向下与自底向上的跨尺度交互，用于增强不同尺度目标特征之间的信息传递。

2026-10-14 11:17:45 39

原创 YOLO26改进 - 特征融合 | HFFE分层特征融合编码器：空间与坐标注意力引导跨层双向交互，增强红外小目标多尺度表达 | TGRS2025

本文介绍了HFFE（Hierarchical Feature Fusion Encoder，分层特征融合编码器）模块在YOLO26中的结合应用。HFFE通过空间注意力、跨层空间权重映射和坐标注意力协同建模高层语义与低层细节，引导相邻尺度特征进行交叉校准，增强复杂背景中红外小目标的多尺度表达能力。我们将HFFE集成到YOLO26检测头的P3、P4和P5双向特征融合路径中，替换原有的上采样/下采样与Concat组合，并进行相应的模块注册和模型配置，用于缩小跨尺度语义差异、抑制背景干扰并保留弱小目标细节。

2026-10-14 11:14:59 173

原创 YOLO26改进 - 特征融合 | MSAA多尺度注意力聚合模块，多尺度卷积融合与双通道注意力机制

本文介绍了将多尺度注意力聚合（MSAA）模块与YOLO26结合的方法。MSAA是CM - UNet中用于优化编码器特征、强化跳跃连接的核心模块，能解决遥感图像物体尺度差异大、多尺度特征融合弱的问题。它采用空间与通道双分支并行处理，先对输入的相邻三层特征进行拼接，再分别进行空间与通道注意力处理，最后融合输出精炼后的特征。我们将MSAA集成进YOLO26，在模型的检测头部分使用该模块。实验证明，结合MSAA的YOLO26可有效捕获多尺度全局上下文信息，在物体检测任务中表现良好。

2026-10-14 11:10:36 43

原创 YOLO26 改进 - 注意力机制 | DSSA双稀疏自注意力，降低计算量，并精准聚焦高信息量特征交互

本文介绍了双稀疏自注意力（DSSA），一种通过空间与通道双重稀疏约束优化自注意力计算的高效模块。该方法利用局部窗口与稀疏锚点进行空间筛选，并结合动态通道门控，在大幅降低计算复杂度的同时精准聚焦关键特征。我们将 DSSA 成功集成进 YOLO26，在检测头部分对 P3、P4、P5 尺度的特征进行双稀疏增强。实验证明，集成 DSSA 的 YOLO26 在检测任务中表现优异，有效提升了模型的特征提取能力与计算效率。

2026-10-14 11:01:45 190

原创 YOLO26 改进 - 注意力机制 | ShuffleAttn序列洗牌注意力，解决多向序列建模中的通道异构与信息不对齐问题

本文介绍了将序列洗牌注意力（SSA）模块与YOLO26结合的方法。SSA是面向多向扫描Mamba架构的通道级融合注意力机制，用于解决多向序列建模中的通道异构与信息不对齐问题。它先将不同扫描方向的特征序列在通道维度拼接，进行通道洗牌实现跨方向对齐，再采用压缩 - 激励范式生成自适应权重进行通道加权，最后恢复原始通道布局输出。该机制计算轻量、结构适配、即插即用。我们将SSA的实现模块ShuffleAttn集成进YOLO26，在检测头部分使用。实验证明，结合SSA的YOLO26在图像检测任务中表现良好。

2026-10-14 10:53:42 168

原创 YOLO26改进 - 注意力机制 | MFCA频率通道注意力(Multi-Frequency Channel Attention)：解决小目标特征信息少、易被噪声干扰的问题

本文介绍了将多频率通道注意力（MFCA）与YOLO26结合的方法。MFCA是专为医学图像分割设计的频率域通道注意力机制，基于二维离散余弦变换（2D DCT）提取医学图像的频率统计特征，通过对不同频率通道的特征重标定，抑制噪声通道干扰、强化有效频率特征表达。该机制具有模态鲁棒性、噪声抑制能力、轻量级设计等特性，与多尺度空间注意力（MSSA）强互补。我们将MFCA集成进YOLO26，在检测头部分嵌入该模块。实验证明，结合MFCA的YOLO26在实验中表现出色，提升了模型的特征提取能力和分割性能。

2026-10-14 10:42:08 138

原创 YOLO26改进-Neck | LPRMAlignUpModule：局部像素关系建模对齐上采样，缓解跨尺度融合中的细节损失 | TPAMI2025

本文介绍了局部像素关系对齐上采样模块（LPRMAlignUpModule）在YOLO26中的结合应用。该模块通过压缩特征预测局部像素关系，并利用不同膨胀率的动态关系对跨尺度特征进行对齐与细化，增强上采样过程中的局部结构表达能力。我们将LPRMAlignUpModule集成到YOLO26的Neck多尺度特征融合路径中，以替换对应的Concat融合位置，并进行相关注册和配置，用于改善上采样特征与侧向特征之间的空间对齐和细节融合。

2026-10-13 23:01:55 10

原创 YOLO26改进-Neck | CAFM交叉注意力融合模块，融合双分支特征、强化通道与空间互补信息，助力高光谱SCI重建精细恢复 | TIP 2025

本文介绍了交叉注意力融合模块（CAFM），作为传统特征拼接操作的有效替代方案。该方法通过通道交叉注意力与空间注意力两级建模，显式刻画双路特征间的通道相关性，并动态调制空间重要区域，从而在融合前完成特征的互相选择与校正。我们将 CAFM 成功集成进 YOLO26 的 Neck 结构中，替代原有的 Concat 拼接模块，实现更精细的多尺度特征融合与表达增强。

2026-10-13 23:00:17 15

原创 YOLO26改进-Neck | FAAFusion傅里叶角度对齐融合模块，校准跨层方向语义、缓解特征融合错位，助力遥感旋转目标检测高精度涨点 | CVPR 2026

本文介绍了一种特征自适应注意力融合模块 FAAFusion，用于提升检测网络中多尺度特征的交互与融合能力。该方法通过注意力机制对不同层级特征的重要性进行建模，自适应分配融合权重，强化目标区域、边缘纹理和语义信息表达，同时抑制冗余背景与无效特征干扰。我们将 FAAFusion 成功集成进 YOLO26 的特征融合阶段，替代原有的简单拼接融合方式，实现更充分的跨层信息交互与更鲁棒的目标检测表征。

2026-10-13 22:58:39 15

原创 YOLO26改进-Neck | HAFFormer双向模态引导交叉注意力融合模块，互补挖掘VIS/IR信息、自适应门控融合，助力可见光-红外目标检测轻量涨点 | Pattern Recognition

本文介绍了面向可见光-红外目标检测的轻量级跨模态融合模块 HAFFormer，源于 LCAFNet 中的双向模态引导交叉注意力与门控融合思想。该模块分别利用可见光和红外特征生成交叉注意力增强表示，在保留原始模态信息的同时充分挖掘纹理细节、热目标响应与边缘结构等互补信息，并通过门控权重自适应分配两种模态贡献。我们将 HAFFormer 成功集成进 YOLO26 的 Neck 特征融合阶段，替代原有拼接融合模块，实现更鲁棒、更轻量的多模态特征交互与检测表达。

2026-10-13 22:56:44 17

原创 YOLO26改进-Neck | MAF模态感知融合模块，分模态强化热目标与纹理细节、统一红外可见光特征表征，助力图像融合兼顾视觉质量与语义一致性 | TCSVT 2026

本文介绍了面向红外-可见光图像融合的模态感知融合模块 MAFusion，旨在解决跨模态信息交互不足与特征粗暴混合问题。该模块针对红外与可见光特征分别设计通道注意力和空间注意力，利用红外热目标显著性、可见光纹理细节及边缘先验进行差异化增强，再通过像素级注意力自适应融合两类互补信息。我们将 MAFusion 成功集成进 YOLO26，替代原有特征拼接模块，使网络在多尺度特征融合过程中更充分地保留目标显著信息与场景细节，提升检测表达能力。

2026-10-13 22:54:16 10

原创 YOLO26改进 - C2PSA | C2PSA融合DWM-MSA双窗口多尺度自注意力：双尺度窗口协同建模局部信息与长程依赖 | TIP2025

本文介绍了双窗口多尺度多头自注意力（DWM-MSA）模块在YOLO26中的结合应用。DWM-MSA将查询、键和值特征划分为四组，在8×8和16×16两种窗口尺度上分别执行局部与非局部注意力，以协同建模局部细节、多尺度上下文和长程依赖。我们将DWM-MSA集成到YOLO26的C2PSA中，用它替换PSABlock原有的注意力算子，并通过BCHW与BHWC布局转换、窗口整除填充及输出裁剪完成适配，用于增强深层语义特征的多尺度关系表达能力。

2026-10-13 22:48:19 114

原创 YOLO26改进 - C3k2 | C3k2融合GCNet之金箍棒块GCBlock 重参数化捕获全局依赖

本文介绍了金箍棒网络GCNet的核心组件GCBlock在YOLO26中的结合应用。GCBlock采用重参数化技术，训练时通过纵向多卷积与横向多路径结构扩张增强学习能力，推理时收缩为单一3×3卷积提升运行速度。其设计解决了实时语义分割中性能与速度难以平衡的问题，具有训练与推理解耦、无性能损失、灵活性强和兼容性好等特性。我们将GCBlock集成到YOLO26的C3k2模块中，实现了更高效的特征提取。实验证明，YOLO26 - C3k2_GCBlock在相关数据集上取得了良好效果。

2026-10-13 22:44:27 153

原创 YOLO26改进 - C3k2 | C3k2模块融合高效融合注意力EFA（Efficient Fusion Attention）提升图像分割中对多尺度目标的捕获精度

本文介绍了高效融合注意力（EFAttention）机制在YOLO26中的结合应用。EFAttention由通道注意力和空间注意力组成，前者通过全局平均池化、1D卷积等增强通道特征表示，后者通过1x1卷积突出重要空间区域，最后将二者结果融合。我们将EFAttention核心代码集成到YOLO26的C3k2模块中，并在`tasks.py`里注册，配置了相应的yaml文件。实验表明，改进后的模型在医学图像分割任务中，能减少冗余信息，提升特征提取能力，且适用于资源受限环境。

2026-10-13 22:36:49 11

原创 YOLO26改进 - C3k2 | C3k2融合小波卷积WTConv (Wavelet Convolution) 实现感受野跨越式扩展与检测精度协同提升

本文介绍了小波变换（WT）与卷积操作结合的新型卷积层WTConv在YOLO26中的结合应用。WTConv通过多级小波分解、小核卷积、逆小波变换和多级级联扩展，实现指数级感受野增长，同时参数量仅线性增加，还具备增强低频信息、灵活建模多频段特征等优势。我们将WTConv相关代码集成到YOLO26的C3k2模块中，在`tasks.py`里注册，并配置了yaml文件。实验表明，改进后的模型在图像分类等任务中表现良好，对图像损坏更具鲁棒性。

2026-10-13 22:25:36 54

原创 YOLO26改进 - C3k2 | C3k2融合FasterBlock-CGLU-C2 通过特征筛选与增强优化计算效率

本文介绍了基于YOLOv8改进的轻量级小目标检测网络相关技术在YOLO26中的结合应用。为解决开阔水域航拍图像目标检测难题，提出小目标乘法（SOM）数据增强算法，提升数据集均衡性。通过深度可分离卷积（DSConv）与新设计的FasterBlock - CGLU - C2f（FC - C2f）优化骨干网络，减少参数与推理时间。还设计轻量级多尺度特征融合网络（LMFN），应对多尺度变化。

2026-10-13 22:21:36 52

原创 YOLO26改进 - C3k2 | C3k2模块融合RetBlock保持块（Retention Block）实现高效局部细节增强与多尺度目标检测性能提升

本文介绍了将具有显式空间先验的视觉骨干网络RMT相关技术集成到YOLO26的方法。RMT受Retentive Network (RetNet)启发，将时间衰减机制扩展到空间领域，提出空间衰减矩阵和适配的注意力分解形式，以线性复杂度集成显式空间先验。我们将核心代码中的RetBlock等模块引入YOLO26，在`tasks.py`中注册并配置yaml文件。实验表明，RMT在各种视觉任务表现出色，在ImageNet - 1k、COCO检测、ADE20K语义分割等任务中取得良好成绩。

2026-10-13 22:17:20 24

原创 YOLO26改进 - C3k2 | 融合DeepDBB深度多样分支模块（Deep Diverse Branch Block）通过多层次分支结构增强特征表征能力

本文介绍了DeepDBB（Deep Diverse Branch Block）模块在YOLO26中的结合应用。DeepDBB继承WDBB思想，通过多样化的多分支卷积结构，如常规KxK卷积、1x1卷积、深度可分离卷积和非对称卷积，丰富特征表达；采用多尺度特征融合，提升对不同尺寸目标的检测能力；在训练和推理阶段分离优化，训练时用多分支增强学习能力，推理时合并为单一KxK卷积核以减少计算量。我们将DeepDBB集成进YOLO26，替换部分模块。实验表明，改进后的YOLO26在目标检测任务中表现出色，提升了特征提取

2026-10-13 22:07:39 136

原创 YOLO26改进 - C3k2 | C3k2融合Deformable-LKA可变形大核注意力（Deformable Large Kernel Attention）实现高效空间自适应特征提取

本文介绍了可变形大核注意力（D - LKA Attention）技术在YOLO26中的结合。D - LKA Attention是一种简化的注意力机制，采用大卷积核利用体积上下文信息，在类似自注意力的感受野内运行，避免了计算开销，还通过可变形卷积灵活变形采样网格以适应多样数据模式。该机制有2D和3D版本，共同构成D - LKA Net架构。我们将其集成进YOLO26，替换部分模块。在数据集上的实验表明，改进后的模型优于现有方法，有望提升目标检测性能。

2026-10-13 22:01:17 65

原创 YOLO26改进 - C3k2 | C3k2融合加权卷积wConv2D：无损替换标准卷积，增强空间建模与特征提取质量

本文介绍了加权卷积及其在YOLO26中的结合。加权卷积是一种新型卷积机制，通过引入密度函数，根据邻域像素与中心像素的距离自适应调整权重，打破传统卷积等权处理的局限。它在不增加可训练参数的情况下实现“距离感知”的特征提取，通过哈达玛积将密度函数与卷积核结合。其优化框架采用双优化器，分别对卷积核权重和密度函数进行优化。我们将加权卷积集成进YOLO26的C3k2模块，形成C3k2_wConv2d。实验显示，与标准卷积相比，加权卷积显著降低了损失,降低了参数。

2026-10-13 21:24:29 113

原创 YOLO26改进 - C3k2 | C3k2融合MBRConv 多分支重参数化卷积,MBRConv5*5用于浅层特征提取

本文介绍了超轻量化卷积神经网络（CNN）框架中的MBRConv相关模块及其在YOLO26中的结合。为实现移动设备实时图像增强，该框架将重参数化与IWO策略结合，通过FST模块和HDPA机制提升性能。MBRConv是多分支重参数化卷积，有MBRConv3和MBRConv5两种变体，分别用于深层和浅层特征提取，能高效捕捉不同尺度特征。我们将MBRConv5集成进YOLO26的C3k2模块，形成C3k2_MBRConv5，实验显示其有助于提升模型性能，适配移动设备资源约束。

2026-10-13 21:24:08 172

原创 YOLO26改进 - C3k2 | C3k2融合MBRConv 多分支重参数化卷积,MBRConv3*3用于深层特征提取

本文介绍了MBRConv相关模块及其在YOLO26中的结合。为实现移动设备实时图像增强，该框架将重参数化与IWO策略结合，通过FST模块和HDPA机制提升性能。MBRConv是多分支重参数化卷积，有MBRConv3和MBRConv5两种变体，分别用于深层和浅层特征提取，能高效捕捉不同尺度特征。我们将MBRConv3集成进YOLO26的C3k2模块，形成C3k2_MBRConv3，实验显示其有助于提升模型性能。

2026-10-13 21:23:40 62

原创 YOLO26改进 - C3k2 | C3k2融合SCConv空间和通道重建卷积（Spatial and Channel Reconstruction Convolution）实现即插即用式空间与通道优

本文介绍了空间和通道重构卷积（SCConv）及其在YOLO26中的结合应用。SCConv由空间重构单元（SRU）和通道重构单元（CRU）组成，能有效减少特征冗余。SRU采用分离 - 重构策略，抑制空间冗余；CRU运用分割 - 变换 - 融合策略，减少通道冗余。SCConv是即插即用的架构单元，可替换标准卷积。我们将C3k2_SCConv2023集成进YOLO26，替换部分模块。实验表明，改进后的YOLO26在降低复杂性和计算成本的同时，达到了更好的目标检测性能。

2026-10-13 21:13:51 193

原创 YOLO26改进 - C3k2 | C3k2融合EBlock(Encoder Block)( CVPR 2025 )：低光增强编码器块，利用傅里叶信息增强低光图像

本文介绍了用于多任务低光图像恢复的DarkIR模型中的EBlock在yolo26中的结合应用。EBlock由空间注意力模块（SpAM）和频域前馈网络（Fre - MLP）组成，通过处理图像的傅里叶域信息提升亮度，具有高效、针对性强和轻量等优势。我们将EBlock集成到yolo26的C3k2模块中，构建了C3k2_EBlock。该模块可增强模型在低光环境下的特征提取能力。实验证明，yolo26 - C3k2_EBlock在相关任务中表现良好。

2026-10-11 23:19:28 12

原创 YOLO26改进 - C3k2 | C3k2模块融合融合RepViT Block实现多尺度特征交互与上下文感知能力提升

本文介绍了轻量级卷积神经网络RepViT相关技术在YOLO26中的结合应用。RepViT通过将轻量级ViT的高效设计理念融入MobileNetV3架构，采用结构重参数化技术，增强了移动友好性。其核心的RepViT Block分离Token Mixer和Channel Mixer，利用结构重参数化减少推理开销。我们将RepViT Block等代码引入YOLO26，在`tasks.py`中注册并配置yaml文件。实验表明，RepViT在多种视觉任务中表现优异，在ImageNet数据集及与SAM结合的应用中都有出

2026-10-11 23:11:05 13

原创 YOLO26改进 - C3k2 | C3k2融合动态卷积DynamicConv（Dynamic Convolution）实现参数量提升与计算开销高效平衡的精准检测

本文介绍了ParameterNet相关技术在YOLO26中的结合应用。ParameterNet利用动态卷积，它能生成动态变化的卷积核，根据输入特征调整权重，在增加网络参数数量的同时最小化FLOPs的增加。我们通过将动态卷积的核心代码引入YOLO26，在`tasks.py`中注册并配置yaml文件，使低FLOPs网络能利用大规模视觉预训练。实验表明，ParameterNet方案表现优越，如ParameterNet - 600M在ImageNet上准确率更高、FLOPs更低，在语言领域也能提升准确率。

2026-10-11 14:29:36 10

空空如也

空空如也