前言
本文介绍了轻量级的Mixed Local Channel Attention（MLCA）模块及其在YOLO26中的结合应用。MLCA模块同时考虑通道、空间、局部和全局信息，其输入特征先经局部池化，再通过两个分支分别处理全局与局部信息，最后经一维卷积、反池化融合信息。该模块能提取局部空间信息、捕获通道交互信息，并避免通道维度减少导致的精度损失。基于此模块提出的MobileNet - Attention - YOLO（MAY）算法，在Pascal VOC和SMID数据集上，相比其他注意力技术，能更好平衡模型表示效果、性能和复杂度，mAP有所提升。我们将MLCA集成进YOLO26，实验展现了其有效性。
文章目录： YOLO26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
专栏链接: YOLO26改进专栏
文章目录
- 前言
- 介绍
- 摘要
- 文章链接
- 基本原理
- **结构**：
- **工作原理**：
- 核心代码
- YOLO26引入代码
- tasks注册
- 步骤1:
- 步骤2
- 配置yolo26-MLCA.yaml
- 实验
- 脚本
- 结果
介绍
摘要
本项目提出了一种轻量级的混合局部通道注意力机制（Mixed Local Channel Attention, MLCA），该模块通过同时整合通道信息和空间信息，并有效结合局部特征与全局上下文，显著提升了网络表征能力。基于该注意力模块，我们进一步设计了MobileNet-Attention-YOLO（MAY）算法框架，用于系统性地比较各类注意力机制的性能表现。在PASCAL VOC和SMID数据集上的实验结果表明，MLCA模块相较于其他注意力技术，在模型表征效果、计算性能和复杂度之间实现了更优的平衡。与PASCAL VOC数据集上的Squeeze-and-Excitation（SE）注意力机制相比，平均精度均值（mAP）提升了1.0%；与SMID数据集上的Coordinate Attention（CA）方法相比，mAP提升了1.5%，充分验证了所提出方法的有效性和优越性。
文章链接
论文地址：论文地址
代码地址：
