YOLOv13涨点改进 | 全网独家创新、HyperACE、注意力改进篇 | ICLR 2026 | 引入 MHLA 多头线性注意力，弥补卷积的长程依赖建模方面的不足，助力高效涨点，来自北京大学 顶会
一、本文介绍
本文给大家介绍使用 MHLA 多头线性注意力模块 改进 YOLOv13网络模型，可以在不显著增加计算和显存开销的前提下，为网络提供高效的全局上下文建模能力。MHLA 通过恢复线性注意力的表达能力，使不同空间位置的特征能够关注不同的上下文区域，弥补了 YOLOv13 以卷积为主在长程依赖建模方面的不足，从而提升复杂背景、小目标和遮挡场景下的检测性能。同时，MHLA 具备线性复杂度和良好的模块化特性，能够与 YOLOv13 的 Backbone 或 Neck 结构无缝融合，在保持实时性的同时显著增强特征表达能力和整体检测鲁棒性。
🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv13创新改进！🔥
YOLOv13专栏改进目录：YOLOv13改进包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、HyperACE二次创新、独家创新等几百种创新点改进。
全新YOLOv13创新改进专栏链接：全新YOLOv13创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文
本文目录
一、本文介绍
二、 MHLA 多头线性注意力模块介绍
2.1 MHLA 多头线性注意力模块结构图
2.2 MHLA 多头线性注意力模块的作用：
2.3 MHLA 多头线性注意力模块的原理：
2.4 MHLA 多头线性注意力模块的优势：
三、完整核心代码
四、手把手教你配置模块和修改tasks.py文件
1.首先在ultralytics/nn/newsAddmodules创建一个.py文件
2.在ultralytics/nn/newsAddmodules/__init__.py中引用
3.修改tasks.py文件
五、创建涨点yaml配置文件
🚀 创新改进1: yolov13n_MHLA.yaml
🚀 创新改进2: yolov13n_MHLA-2.yaml
🚀 创新改进3: yolov13n_A2C2f_MHLA.yaml
🚀 创新改进4:yolov13n_HyperACE_MHLA.yaml
🚀 创新改进5:yolov13n_DSC3k2_MHLA.yaml
六、正常运行
二、 MHLA 多头线性注意力模块介绍
摘要：尽管Transformer架构在众多领域占据主导地位，但其二次自注意力机制的复杂性限制了其在大规模应用中的使用。线性注意力机制虽提供高效替代方案，但直接应用往往导致性能下降——现有改进方案通常通过引入额外模块（如深度可分离卷积）重新增加计算开销，反而违背了初衷。本研究揭示了这些方法中的关键缺陷：全局上下文坍塌，即模型丧失表征多样性。为此，我们提出多头线性注意力机制（Multi-Head Linear Attention，MHLA），通过在分头维度上沿标记维度计算注意力来保持这种多样性。我们证明 MHLA 在保持线性复杂度的同时，恢复了softmax注意力的大部分表达能力，并在多个领域验证了其有效性：在ImageNet分类任务中提升3.6%，在自然语言处理中提升6.3%，在图像生成中提升12.6%，在视频生成中提升41%，且保持相同时间复杂度。