当前位置：首页 > news >正文

YOLO26改进 - 特征融合融合Hyper-YOLO混合聚合网络MANet（Mixed Aggregation Network）通过多路径设计实现高效特征学习与模型适应性提升

news 2026/5/12 20:48:17

前言

本文介绍了新型目标检测方法 Hyper - YOLO 及其在 YOLO26中的结合。传统 YOLO 模型颈部设计有局限，为此提出超图计算驱动的语义收集与扩散框架（HGCSCS），将视觉特征图转化到语义空间并构建高阶信息传播机制。Hyper - YOLO 在主干网络引入混合聚合网络（MANet），结合多种卷积模块增强特征提取能力；在颈部网络设计基于超图的跨层级与跨位置表示网络（HyperC2Net）支持高阶交互。

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

前言
介绍
- 摘要
文章链接
基本原理
核心代码
实验
- 脚本
- 结果
- null

介绍

摘要

Hyper-YOLO 作为目标检测领域的革新性方法，巧妙引入超图计算理念，成功突破了传统YOLO模型在捕捉视觉特征复杂关联方面的桎梏。尽管经典YOLO架构在目标检测领域取得了卓越成就，但其颈部(neck)设计在跨层级特征整合与高阶特征关系挖掘方面仍存在明显瓶颈。针对这一核心痛点，我们精心构建了超图计算驱动的语义收集与扩散框架(HGCSCS)，该框架创新性地将视觉特征图映射至语义空间，并通过精密的超图结构构建高阶信息流动通路，从而使模型能够同时获取深层语义与结构信息，实现了对传统特征学习范式的超越。

Hyper-YOLO的卓越性能源于两大核心创新：一方面，在主干网络中融入混合聚合网络(MANet)，极大增强了模型的特征提取能力；另一方面，在颈部网络中巧妙设计了基于超图的跨层级与跨位置表示网络(HyperC2Net)。特别值得一提的是，HyperC2Net横跨五种尺度，彻底摆脱了传统网格结构的束缚，支持层级间与位置间的复杂高阶交互，为特征融合提供了前所未有的灵活性与表达能力。

这些精心设计的组件协同运作，使Hyper-YOLO在各种规模配置下均展现出超越现有技术的卓越性能。在COCO数据集的严格评测中，Hyper-YOLO-N较先进的YOLOv8-N和YOLOv9-T分别实现了惊人的12% APval和9% APval性能提升，彰显了其作为当前先进架构的非凡实力。

完整源代码已在GitHub开放共享，以促进学术交流与技术创新。

文章链接

论文地址：论文地址

代码地址：代码地址

基本原理

Mixed Aggregation Network（MANet）是Hyper-YOLO模型中的一个关键组件，旨在增强特征提取能力。其技术原理主要体现在以下几个方面：

多种卷积模块的结合：MANet结合了三种典型的卷积变体：
- 1 × 1旁路卷积：用于通道级特征的重新校准，能够有效调整特征图的通道数，从而增强特征的表达能力。
- 深度可分离卷积（DSConv）：这种卷积方式通过将标准卷积分解为深度卷积和逐点卷积，能够在保持计算效率的同时，提升空间特征的处理能力。
- C2f模块：用于增强特征层次的整合，能够更好地捕捉不同层次之间的特征关系。
信息流的丰富性：通过将这三种卷积模块结合，MANet能够在训练过程中产生更丰富的梯度流。这种多样化的信息流有助于在每个关键阶段（共五个阶段）中加深语义特征的表达。
特征融合与压缩：MANet在处理完不同类型的特征后，通过连接操作（concatenation）将这些特征融合，并使用1 × 1卷积进行压缩，最终生成输出特征。这种融合方式确保了不同特征之间的信息能够有效整合，从而提升模型的整体性能。
增强的特征提取能力：通过上述机制，MANet显著提高了基础网络的特征提取能力，使得Hyper-YOLO在处理各种规模的物体时表现出色。

核心代码

 class MANet(nn.Module):def __init__(self, c1, c2, n=1, shortcut=False, p=1, kernel_size=3, g=1, e=0.5):super().__init__()self.c = int(c2 * e)self.cv_first = Conv(c1, 2 * self.c, 1, 1)self.cv_final = Conv((4 + n) * self.c, c2, 1)self.m = nn.ModuleList(Bottleneck(self.c, self.c, shortcut, g, k=((3, 3), (3, 3)), e=1.0) for _ in range(n))self.cv_block_1 = Conv(2 * self.c, self.c, 1, 1)dim_hid = int(p * 2 * self.c)self.cv_block_2 = nn.Sequential(Conv(2 * self.c, dim_hid, 1, 1), GroupConv(dim_hid, dim_hid, kernel_size, 1),Conv(dim_hid, self.c, 1, 1))def forward(self, x):y = self.cv_first(x)y0 = self.cv_block_1(y)y1 = self.cv_block_2(y)y2, y3 = y.chunk(2, 1)y = list((y0, y1, y2, y3))y.extend(m(y[-1]) for m in self.m)return self.cv_final(torch.cat(y, 1))

实验

脚本

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLOif __name__ == '__main__':
#     修改为自己的配置文件地址model = YOLO('./ultralytics/cfg/models/26/yolo26-MANet.yaml')
#     修改为自己的数据集地址model.train(data='./ultralytics/cfg/datasets/coco8.yaml',cache=False,imgsz=640,epochs=10,single_cls=False,  # 是否是单类别检测batch=8,close_mosaic=10,workers=0,optimizer='MuSGD',  # optimizer='SGD',amp=False,project='runs/train',name='yolo26-MANet',)