【YOLO26创新改进】CVPR 2025顶会 | Backbone主干网络改进篇 | LSNet主干：大核看全局、小核抓细节，适合轻量化目标检测、遥感目标检测、图像分割、图像分类任务
一、本文介绍
⭐本文将LSNet作为YOLO26的主干网络，主要是利用其“看大范围、聚焦小区域”的特征提取方式，先通过大核深度卷积获取目标周围的整体背景和上下文关系，再由小核动态卷积对关键局部细节进行自适应聚合，从而为检测头提供兼具宽感受野、精细纹理和多尺度语义的信息。相比普通轻量主干，这种改进有望提升YOLO26在小目标、遮挡目标及复杂背景下的识别和定位能力，同时LSNet采用深度卷积、分组动态聚合等低成本操作，可在控制参数量和FLOPs的情况下保持较高推理速度，更适合实时检测、移动端部署以及遥感、工业缺陷和智能监控等任务。
YOLO26创新专栏目录：YOLO26涨点改进目录| 含Conv卷积、主干网络、注意力机制、Neck特征融合、检测头、知识蒸馏、模型剪枝、轻量化改进、损失函数、二次创新C2PSA/C3k2等各种顶会顶刊创新改进
YOLO26订阅专栏地址：全新YOLO26独家创新改进，适合高效发表SCI和CCF小论文、大论文写作。
本文目录
一、本文介绍
二、 LSNet主干网络介绍
2.1，LSNet主干网络的结构图
2.2，LSNet主干网络的核心思想
2.3， MambaOut主干网络的作用
2.4，LSNet主干网络的原理
2.5 适用任务领域
三、主干网络的完整实现代码
四、手把手添加步骤
4.1 修改一
4.2 修改二
4.3 修改三
4.3 修改四
4.3 修改五
五、创新改进yaml模型文件
创新改进点1🚀
创新改进点2🚀
创新改进点3🚀
六、成功运行结果演示
二、 LSNet主干网络介绍
摘要：视觉网络设计，包括卷积神经网络和视觉Transformer，已显著推动了计算机视觉领域的发展。然而，其复杂的计算过程给实际部署带来了挑战，尤其是在实时应用中。为解决这一问题，研究人员探索了多种轻量级且高效的网络设计方法。不过，现有轻量级模型大多依赖自注意力机制和卷积操作来实现令牌混合。这种依赖性在轻量级网络的感知与聚合过程中会带来效能与效率上的局限，难以在有限的计算预算下实现性能与效率之间的平衡。本文从高效的人类视觉系统所固有的动态异尺度视觉能力中汲取灵感，提出了用于轻量级视觉网络设计的“见大、聚焦小”策略。我们引入