YOLO26改进策略【Backbone/主干网络】| 替换骨干为PoolFormer，基于平均池化的Token混合器，通过聚合局部邻域特征实现信息交互

一、本文介绍

本文记录的是基于PoolFormer的YOLO26骨干网络改进方法研究。

PoolFormer提出了创新的MetaFormer通用架构，通过极简单的池化操作实现Token混合，能以低参数和计算成本高效捕捉图像全局与局部特征。将PoolFormer应用到YOLO26的骨干网络中，通过其分层结构和Token混合机制，实现精度与效率的平衡优化。

本文在YOLO26的基础上配置了原论文中poolformer_s12,poolformer_s24,poolformer_s36,poolformer_m48,poolformer_m36五种模型，以满足不同的需求。

二、PoolFormer原理介绍

MetaFormer Is Actually What You Need for Vision

2.1 设计出发点

在计算机视觉领域，Transformer模型取得了显著成功，普遍认为其基于注意力的Token混合模块是性能的关键。然而，后续研究发现，用空间MLP替换注意力模块后，模型仍能保持较强性能。

由此推测，Transformer的整体架构（而非特定Token混合器）可能才是性能的核心。为验证这一假设，研究者尝试用极简单的非参数操作——池化（Pooling）作为Token混合器，构建了PoolFormer模型，旨在证明通用架构的重要性，并探索极简Token混合器下的模型潜力。

2.2 结构原理

PoolFormer基于MetaFormer通用架构设计，该架构抽象自Transformer，核心包含以下组件：

1. 输入嵌入（Input Embedding）
   对输入图像进行分块嵌入，转换为序列长度为N N