YOLO26涨点改进 | 全网独家创新、细节涨点改进篇 | CVPR 2025 | 将 TAB 模块引入YOLO26可显著提升其对长距离依赖建模能力，在小目标、遮挡、密集场景下带来显著检测精度
一、本文介绍
🔥本文给大家介绍利用 TAB 模块改进 YOLO26 网络模型，可有效增强其对长距离依赖的建模能力，通过内容感知的 Token 聚合和组内/组间注意力机制，提升对小目标、遮挡目标及复杂背景下的检测精度。TAB 在训练阶段更新 token 中心，推理阶段无需额外计算，保持轻量高效的同时改善特征表达质量。该模块改进C3k2可灵活嵌入 YOLO26 的 backbone、neck 中，是在不显著增加计算开销下提升 YOLO26 检测性能的有效手段。
🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO26创新改进！🔥
YOLO26专栏改进目录：全新YOLO26改进专栏包含卷积、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、多种组合创新改进、全网独家创新等创新点改进
全新YOLO26专栏订阅链接：全新YOLO26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、TAB模块介绍
2.1 TAB模块结构图
2.2 TAB 模块的作用：
1. Content-Aware Token Aggregation（CATA）
2. Intra-Group Self-Attention（IASA）
3. Inter-Group Cross-Attention（IRCA）
2.3 TAB模块的优势
1. 高效的长距离建模能力
2. 更精细的信息交互
3. 良好的可扩展性与并行性
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: yolo26_C3k2_TAB.yaml
六、正常运行
二、TAB模块介绍
摘要：基于 Transformer 的方法在图像超分辨率（SR）等低级视觉任务中展现出了出色的性能。然而，其计算复杂度随空间分辨率呈二次增长。一系列研究尝试通过将低分辨率图像划分为局部窗口、轴向条带或扩张窗口来缓解该问题。超分辨率通常利用图像中的冗余信息进行重建，而这种冗余不仅存在于局部区域，也存在于长距离区域。然而，现有方法将注意力计算限制在与内容无关的局部区域中，从而直接限制了模型捕捉长距离依赖的能力。为了解决这些问题，我们提出了一种轻量级的内容感知 Token 聚合网络（CATANet）。具体而言，我们设计了一种高效的内容感知 Token 聚合（CATA）模块，用于聚合长距离的内容相似 Token，该模块在所有图像 Token 中共享 Token 中心，并仅在训练阶段更新它们。随后，我们利用组内自注意力机制实现长距离信息交互，并设计了组间交叉注意力机制，进一步增强全局信息的互动能力。实验结果表明，与当前最先进的聚类方法 SPIN 相比，我们的方法在性能上具有更优表现，PSNR 最高提升了 0.33dB，同时推理速度几乎