YOLO26改进26：全网首发--C3k2融合自研创新模块C3k2_GhostDynamicConv
论文介绍
大规模视觉预训练显著提升了大型视觉模型的性能。然而，现有低FLOPs模型无法从大规模预训练中受益的问题被称为低FLOPs陷阱。
本文提出一种称为ParameterNet的新型设计原则，旨在增加大规模视觉预训练模型的参数量，同时最小化FLOPs的增长。通过动态卷积技术，仅以微小的FLOPs代价为网络引入额外参数。ParameterNet方法使低FLOPs网络能够充分利用大规模视觉预训练的优势。
该设计原则还被拓展至语言领域，在保持推理速度的同时提升模型性能。ImageNet-22K大规模实验验证了ParameterNet方案的优越性：ParameterNet-600M在ImageNet上的准确率（81.6%）超越广泛使用的Swin Transformer（80.9%），且FLOPs显著更低（0.6G vs 4.5G）。
在语言模型中，采用ParameterNet增强的LLaMA-1B比原始版本准确率提升2%。相关代码将在https://parameternet.github.io/发布。