前言 本文介绍了感受野块（RFB）模块在YOLO26中的结合应用。RFB模块是一种多分支卷积块，由多分支卷积层和扩张池化或卷积层组成，通过模拟多尺度感受野和控制感受野偏心性，增强轻量级CNN模型学习到的深层特征，提高…

# 前言# 前言 本文介绍了MogaNet在YOLO26中的结合应用。MogaNet是一种新型卷积网络架构，通过多阶卷积、门控操作和通道聚合模块，在不同交互尺度学习信息、动态选择特征、强化特征学习，克服传统卷积网络局限。我们…

前言 本文介绍了在线卷积重参数化（OREPA）及其在 YOLO26中的结合。结构重新参数化能在推理时优化模型性能，但训练成本高。OREPA 是两阶段流程，通过引入线性缩放层优化在线块，将复杂训练块压缩为单个卷积，减少训…

 # 前言# 前言 本文介绍了一种基于分割的卷积操作SPConv及其在YOLO26中的结合。传统卷积方法忽视了特征图中的模式冗余，SPConv将输入特征图分割为代表性部分和不确定冗余部分，分别采用 $k \times k$ 卷积和 $1 \…

一、Python 基础语法 1. Python 介绍 Python 是⼀种解释型、⾯向对象、动态数据类型的⾼级编程语⾔。它被设计为可读性强、 简洁且易于学习，具有⾼效的⾼级数据结构，并且⽀持简单有效的⾯向对象编程。 特点：易于学习…

# 前言# 前言 本文介绍了线性可变形卷积（LDConv）在YOLO26中的结合应用。标准卷积存在局部窗口和固定采样形状的缺陷，可变形卷积虽解决了固定采样问题，但参数数量呈平方增长。LDConv通过新的坐标生成算法和偏移量…

前言 本文介绍了重新参数化再聚焦卷积（RefConv）在YOLO26中的结合应用。RefConv通过对预训练模型的基础卷积核应用可训练的再聚焦转换，建立参数间连接，利用预训练参数作为先验学习新表示，增强模型表示能力。它能…

# 前言# 前言 本文介绍了风车状卷积（PConv）和基于尺度的动态（SD）损失在YOLO26中的结合应用。PConv采用不对称填充，通过特殊结构设计、卷积运算和分组卷积技术，能更好地适应红外小目标的像素高斯空间分布，在少…