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 15626

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 22:48:28 422

原创 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

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 3597 11

原创 YOLOv8改进 - 注意力机制 | LS-YOLO MSFE：新颖的多尺度特征提取模块 | 小目标/遥感

本文介绍了用于滑坡检测的 LS-YOLO 模型及其核心多尺度特征提取模块（MSFE）。该模块融合了高效通道注意力（ECA）、平均池化及空间可分离卷积，通过多分支并行结构充分提取滑坡的多尺度特征信息。我们将 MSFE 模块成功集成进 YOLOv8，增强了模型对复杂背景下滑坡特征的捕捉能力。

2026-05-27 23:26:05 340

原创 YOLOv8改进 - 注意力机制 | NAM：基于归一化的注意力模块，将权重稀疏惩罚应用于注意力机制中，提高效率性能

本文介绍了基于归一化的注意力模块（NAM），旨在通过抑制不显著特征来提升模型效率。该方法利用批量归一化的缩放因子衡量通道与像素重要性，替代了传统注意力中的全连接层，并引入权重稀疏惩罚以降低计算成本。我们将 NAM 模块及 C2f_NAM 变体成功集成进 YOLOv8，优化了特征提取过程。实验证明，结合 NAM 的 YOLOv8 在保持精度的同时显著提升了计算效率，性能优于 SE 及 CBAM 等主流注意力机制。

2026-05-27 23:11:04 369

原创 YOLOv8改进 - 注意力机制 | RCS-OSA :减少通道的空间对象注意力，高效且涨点

本文介绍了基于通道 Shuffle 重参数化卷积的 YOLO 架构（RCS-YOLO）。该方法融合了 RepVGG 与 ShuffleNet 的优势，通过结构重参数化在训练时利用多分支提取丰富特征，推理时简化为单分支以降低计算复杂度，并借助通道混洗促进信息交互。我们将 RCS-OSA 模块成功集成进 YOLOv8，优化了特征提取与聚合过程。

2026-05-26 23:30:56 364

原创 YOLOv8改进 - 注意力机制 | S2Attention : 整合空间位移和分割注意力

本文介绍了基于空间移位 MLP 的 S2Attention 模块，作为增强特征表达能力的有效手段。该方法通过扩展通道维度并对特征图进行分割，对不同部分执行差异化的空间移位操作，随后利用分割注意力机制融合特征，从而在不引入自注意力的情况下提升模型的空间感知能力。我们将 S2Attention 成功集成进 YOLOv8 的检测头部分，优化了特征提取流程。实验证明，集成 S2Attention 的 YOLOv8 在检测任务中取得了优异表现，展现了该机制在视觉模型中的广泛应用前景。

2026-05-26 23:23:39 321

原创 YOLOv8改进 - 注意力机制 | Sea_Attention: Squeeze-enhanced Axial Attention,结合全局语义提取和局部细节增强

本文介绍了 SeaFormer，一种专为移动端设计的压缩增强轴向变换器。其核心 Sea_Attention 模块通过结合压缩轴向注意力与细节增强机制，在降低计算复杂度的同时有效聚合全局信息并保留局部细节。我们将 Sea_AttentionBlock 成功集成进 YOLOv8 的检测头部分，利用其高效的特征提取能力增强模型表现。实验证明，集成后的 YOLOv8 在保持低延迟的同时显著提升了检测精度，验证了该轻量级注意力机制在目标检测任务中的优越性能。

2026-05-26 23:17:50 584

原创 YOLO26改进 - 注意力机制 | MSCA 多尺度卷积注意力：多尺度卷积协同增强特征捕获，优化小目标检测精度

本文介绍了Multi-Scale Convolutional Attention Module（MSCA）及其在YOLO26中的结合应用。MSCA由深度卷积聚合局部信息、多分支深度卷积捕获多尺度上下文信息、1×1逐点卷积模拟通道关系三部分组成，其输出可作为卷积注意力权重重新权衡输入。该机制计算高效，能有效编码上下文信息。我们将MSCA模块集成进YOLO26。

2026-05-26 21:24:53 351

原创 YOLO26改进 - 特征融合 | 小目标检测救星：DySample动态上采样减少特征丢失

本文介绍了超轻量且高效的动态上采样器DySample与YOLO26的结合，以解决传统上采样器工作负载大、应用场景受限的问题。DySample从点采样角度构建上采样，绕过动态卷积，使用PyTorch标准内置函数实现，无需定制CUDA包，能大幅减少参数、FLOPs等资源消耗。我们将DySample代码集成进YOLO26。实验脚本显示，结合DySample的YOLO26在多个密集预测任务中或表现出色。

2026-05-26 21:03:48 401

原创 YOLO26改进 - 特征融合 | Slim-neck：目标检测新范式，既轻量又涨点

本文介绍了轻量级卷积技术GSConv和设计范式Slim-Neck与YOLO26的结合，以解决车载边缘计算平台模型实时检测和准确性的难题。GSConv通过减少冗余和重复信息降低计算复杂性，Slim-Neck则设计纤细颈部结构，在维持准确性的同时提高计算成本效益。我们将相关代码集成进YOLO26，在`ultralytics/nn/`目录新建`featureFusion`并创建`Slimneck.py`文件。在`ultralytics/nn/tasks.py`中注册后，配置`YOLO26-Slimneck.yam

2026-05-26 20:54:04 580

原创【CVPR 2026】DEGConv(方向引导边缘门控卷积): 空间分块、方向先验、轻量边缘增强

DEGConv（Direction-guided Edge Gated Convolution）是 MixerCSeg 中专门用于增强裂缝纹理、边缘与拓扑感知的轻量模块。论文指出，普通卷积对复杂裂缝的多方向延展、分叉与交叠建模较被动，而门控卷积虽然能调节信息流，但仍缺乏明确几何方向先验。为此，DEGConv通过“空间分块 + 方向嵌入 + 边缘卷积 + 门控机制”联合建模局部结构：先在局部视角内提取方向统计，再将该方向先验注入边缘卷积生成门控权重，从而动态强化关键裂缝区域。它以较低额外开销提升不规则裂缝几何

2026-05-06 20:56:46 253

原创 YOLO11改进 - 卷积Conv | DEGConv(方向引导边缘门控卷积) : 空间分块、方向先验、轻量边缘增强

本文介绍了方向引导边缘门控卷积（DEGConv），一种专为增强边缘敏感度与方向感知能力设计的轻量级模块。该方法通过 Sobel 算子生成方向嵌入，结合条纹卷积提取水平与垂直边缘特征，并利用门控机制动态抑制背景噪声，从而精准捕捉细粒度结构。我们将 DEGConv 成功集成进 YOLO11，在 Backbone 的 SPPF 后及 Neck 的 P3、P4 分支中引入该模块以优化特征提取。实验证明，集成 DEGConv 的 YOLO11 在检测任务中表现优异，有效提升了模型对复杂边缘与方向特征的建模能力。

2026-05-06 20:55:25 100 1

原创 YOLO11 改进 - C2PSA | C2PSA融合WDAM（小波方向性注意力模块）：用方向高频信息引导低频修复，同时大幅降低计算量

本文提出基于小波的方向性注意力模块(WDAM)，用于抑制频闪伪影。WDAM通过Haar小波变换分离高低频特征，利用高频方向信息引导低频修复，并结合窗口注意力降低计算成本。该模块被集成到YOLO11的Backbone中，替代原有C2PSA模块。实验表明，结合WDAM的YOLO11能有效提升方向性特征捕捉能力，在检测任务中表现优异。WDAM的核心包括小波分解、方向权重生成和窗口注意力机制，通过频闪区域定位实现精准抑制。

2026-05-06 20:30:07 57

原创 YOLO11 改进 - C2PSA | C2PSA融合HEWL(高频增强小波层)：小波逆变换+双通道注意力增强+高频显式增强 | TGRS 2026

本文介绍了高频增强小波层（HEWL），一种专为解决红外小目标检测中边缘退化与语义模糊问题设计的上采样模块。该方法结合小波逆变换与交替通道注意力（ALCA），通过显式增强高频细节并优化特征融合，实现精准的边缘重建与语义对齐。我们将 HEWL 融入 PSABlock 结构构建了 C2PSA_HEWL 模块，并成功集成进 YOLO11 的骨干网络，替代原有的 C2PSA 模块。实验证明，结合 HEWL 的 YOLO11 在检测任务中表现优异，有效提升了模型对细节特征的捕捉能力。

2026-05-06 20:28:37 50

原创【TMM 2026 】LFEM（局部特征增强模块）：多卷积分支、通道洗牌、RGB/IR双路增强

LFEM（Local Feature Enhancement Module）是 FreDFT 中用于双模态局部特征增强的前置模块，面向 RGB/IR 特征图分别建模。论文将其放在 CGMM 和 FDFAM 之前，目的在于通过不同卷积感受野提取多区域局部信息，并借助 channel shuffle 促进通道交互，最终增强细粒度纹理、边缘和局部目标响应，为后续跨模态全局建模与频域融合提供更强表征。

2026-05-04 13:22:39 376

原创【TMM 2026 】 FDFAM（频域特征聚合模块）：频域注意力、多尺度频谱混合、跨模态融合增强

FDFAM（Frequency Domain Feature Aggregation Module）是 FreDFT 中负责跨模态深度融合的核心模块，用于将经过 LFEM 与 CGMM 处理后的 RGB/IR 特征进一步聚合。论文指出，现有方法大多在空间域用 Transformer 建模模态互补性，却忽略了频域在纹理细节与热结构信息解耦方面的优势。为此，FDFAM 由多模态频域注意力 MFDA 和频域前馈层 FDFFL 构成：前者借助 FFT/IFFT 与逐元素乘法建模跨模态相关性，后者通过多尺度频谱分块重

2026-05-02 21:34:39 422

原创【TGRS 2026 】PSAA 注意力(并行自感知注意力): 全局上下文与小波细节协同建模、轻量高效红外小目标特征提取

PSAA（Parallel Self-Awareness Attention）是CSAFNet的核心模块，针对红外小目标检测任务设计。该模块通过双分支并行结构解决传统方法的局限性：CAA分支利用红外成像物理先验和神经元能量响应建模全局信息，WDE分支通过小波变换增强高频局部细节。两分支特征融合后经残差连接和卷积映射输出判别性特征。实验表明，双分支协同工作能有效提升检测性能（IoU、nIoU、Pd指标），适用于目标弱、尺寸小、信噪比低的场景。代码实现包含simam_imt能量估计、Haar小波变换等关键组件，

2026-05-02 10:52:44 378

原创 YOLO11 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 YOLO11，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 YOLO11 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。

2026-04-09 23:06:36 566

原创 YOLO11 改进 - C2PSA | C2PSA融合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

本文介绍了多频率通道注意力（MFCA），一种基于二维离散余弦变换（2D DCT）的频率域注意力机制。MFCA 通过将特征映射到频率域，利用 Top-K 策略与多重池化统计生成注意力权重，有效抑制噪声并强化有效频率特征，提升模型对复杂图像的特征提取能力。我们将 MFCA 融入 C2PSA 模块构建了 C2PSA_MFCA，并将其成功集成进 YOLO11 的骨干网络中，替代原有的 C2PSA 模块。实验证明，集成 C2PSA_MFCA 的 YOLO11 在检测任务中表现出优异的性能。

2026-04-09 22:49:17 75

原创 YOLO26改进 - 注意力机制 | MSDA多尺度空洞注意力：局部稀疏交互优化特征提取，提升复杂场景鲁棒性

本文介绍了多尺度扩张注意力（MSDA）及其在yolo26中的结合应用。标准视觉变换器存在计算成本高或关注接受域小的问题，MSDA利用多尺度扩张机制，在不同头部设置不同扩张率以聚合多尺度语义信息，还能捕获局部稀疏的补丁交互，降低自注意机制冗余。基于MSDA构建的多尺度扩张变换器（DilateFormer）在多种视觉任务上实现了先进性能。我们将MSDA集成进yolo26，通过一系列注册和配置操作，实验表明改进后的模型在目标检测任务中具有良好表现。

2026-04-08 23:05:20 150

原创 YOLOv11 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YOLO11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YOLO11，在检测头部分使用。实验证明，结合SSA的YOLO11在图像检测任务中表现良好。

2026-04-08 22:08:51 258

原创 YOLO11 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YOLO11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YOLO11，在模型的检测头部分使用该模块。实验证明，结合MSAA的YOLO11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。

2026-04-08 21:35:02 438

原创 YOLO26改进 - 注意力机制 | EMA (Efficient Multi-Scale Attention) 高效多尺度注意力：跨空间学习与多分支协同增强特征表征，优化多尺度目标检测

本文介绍了高效多尺度注意力（EMA）模块及其在YOLO26中的结合应用。现有注意力机制在通道维度缩减时可能影响深度视觉表示，EMA模块通过结合通道和空间信息、采用多尺度并行子网络结构等创新点，实现了高效的多尺度注意力机制。其基本原理包括通道和空间注意力结合、多尺度并行子网络设计等。在多个流行基准数据集上的实验表明，该模块能有效提高特征表示能力。我们将EMA集成进YOLO26，实验证明改进后的模型在目标检测任务中性能优越，具有广泛应用前景。

2026-04-08 20:41:37 81

原创 YOLO26改进 - 注意力机制 | LSKA大核分离卷积注意力：轻量级设计实现动态大感受野，优化小目标检测鲁棒性

本文介绍了大可分卷积核注意力（LSKA）模块及其在YOLO26中的结合应用。带有大卷积核注意力（LKA）模块的视觉注意网络（VAN）在深度卷积层使用大卷积核时，计算和内存占用会二次增长。LSKA将二维卷积核分解为串联的水平和垂直一维卷积核，解决了该问题。与LKA等模块相比，LSKA能在低计算复杂度和内存占用下达到相当性能，且更关注物体形状。我们将LSKA集成进YOLO26，实验表明改进后的模型在多方面表现出色。

2026-04-08 20:22:16 40

原创 YOLOv11 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YOLO11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YOLO11，在检测头部分嵌入该模块。实验证明，结合MFCA的YOLO11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。

2026-04-07 22:24:55 198

原创 YOLO26改进 - 注意力机制 | CoordAttention坐标注意力：嵌入位置信息破解通道注意力局限，增强目标空间感知

本文介绍了Coordinate Attention（坐标注意力）机制及其在YOLO26中的结合应用。坐标注意力机制将位置信息嵌入通道注意力，通过坐标信息嵌入和坐标注意力生成两个步骤，实现通道关系和长距离关系的编码，解决了传统通道注意力忽略位置信息的问题。该机制通过两个1D特征编码过程聚合特征，捕获长距离依赖并保留精确位置信息，生成方向感知和位置敏感的注意力图，增强感兴趣对象的表示。我们将CoordAtt模块集成进YOLO26，替代部分原有模块。实验表明，该机制在ImageNet分类及目标检测、语义分割等下游

2026-04-07 21:45:46 49

原创 YOLO26改进 - 注意力机制 | DAT (Deformable Attention) 可变形注意力：动态感知关键区域破解固定注意力模式，增强特征捕捉能力

本文介绍了Deformable Attention Transformer（DAT）及其在YOLO26中的结合应用。DAT是一种用于图像分类和密集预测任务的通用主干模型，其核心是可变形自注意力模块，通过数据依赖的位置选择、灵活的偏移学习、全局键共享和空间自适应机制，解决了传统Transformer在扩大感受野时带来的内存、计算成本高和特征受无关部分影响等问题。该模块通过对键和值进行DCN偏移后再计算注意力，提升了性能。我们将DAttention模块集成进YOLO26，替代部分原有模块。实验表明，DAT在综合

2026-04-07 21:16:24 58

原创 YOLO26改进 - 注意力机制 | ContextAggregation上下文聚合模块：多尺度上下文信息融合机制，增强小目标特征判别力

本文介绍了CONTAINER（上下文聚合网络）及其在YOLO26中的结合应用。CONTAINER是一个多头上下文聚合的通用构建模块，提供了统一视角，将CNNs、Transformers和MLP - Mixers视为聚合空间上下文方法的特例。它能利用长程交互，同时利用局部卷积操作的归纳偏差，实现更快收敛。该模块通过可学习参数结合静态和动态亲和矩阵进行上下文聚合。我们将ContextAggregation模块集成进YOLO26，替代部分原有模块。

2026-04-07 21:07:30 40

原创 YOLO26改进 - 注意力机制 | EffectiveSE 高效挤压激励模块：单全连接层设计破解信息丢失难题，增强通道特征表征

本文介绍了无锚实例分割方法CenterMask及改进骨干网络VoVNetV2，重点阐述了EffectiveSE（eSE）模块及其在YOLO26中的结合应用。eSE是改进的通道注意力模块，基于SE模块，通过去除维度压缩和简化结构，减少计算复杂性与信息丢失。该模块先对输入特征图全局平均池化，再经全连接层和sigmoid激活函数生成注意力权重，最后应用到特征图。我们将eSE模块集成进YOLO26，替代部分原有模块。实验表明，eSE模块也提升模型效率和准确率。

2026-04-07 20:54:02 29

原创 YOLO26改进 - 注意力机制 | S2Attention稀疏分片注意力：多头协同覆盖全局上下文，增强小目标与长程特征捕获

本文介绍了改进的空间移位MLP视觉骨干网络S2-MLPv2及其在YOLO26中的结合应用。S2-MLPv2在通道维度扩展特征图，进行分割和不同的空间移位操作，并利用分割注意力操作融合特征。分割注意力模块先计算特征图平均值，再通过MLP生成注意力权重，最后生成注意力特征图。我们将S2Attention模块集成进YOLO26，替换部分原有模块。

2026-04-07 20:46:27 25

原创 YOLO26改进 - 注意力机制 | Polarized Self-Attention 极化自注意力：高分辨率保持机制优化细节表征，助力小目标检测

本文介绍了极化自注意力（PSA）模块及其在YOLO26中的结合应用。PSA模块旨在解决细粒度计算机视觉任务中的像素级回归问题，其融合了极化过滤和增强两个关键设计。极化过滤在通道和空间维度保持高分辨率，减少信息损失；增强采用细粒度回归输出分布的非线性函数。我们将PolarizedSelfAttention模块集成进YOLO26，替换部分原有模块。实验结果表明，PSA能提升标准基线和最新技术的表现，在2D姿势估计和语义分割基准测试中效果显著，展现了其在目标检测领域的应用价值。

2026-04-07 20:32:28 30

原创 YOLO26改进 - 注意力机制 | LSKNet大型选择性核网络：自适应核加权强化关键特征捕获，增强小目标显著性

本文介绍了大型选择性核网络（LSKNet）及其在YOLO26中的结合应用。LSKNet考虑遥感场景先验知识，能够动态调整大空间接收场，以模拟各种对象的范围上下文。它引入LSKblock Attention注意力机制，通过空间选择性机制动态调整感受野。其结构包含LSK module和LSK Block，通过大核卷积序列和空间选择机制，有效捕获长距离上下文信息。我们将LSKblockAttention模块集成进YOLO26，替换部分原有模块。实验表明，LSKNet在多个检测基准测试中取得新的最优成绩，展现了其在

2026-04-03 15:31:57 35

空空如也

空空如也