YOLO26改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征，适应尺度变化大的目标
一、本文介绍
本文记录的是利用PKINet优化YOLO26的目标检测方法研究。
在遥感图像目标检测中，目标尺度变化大，本文引入PKINet来捕获多尺度纹理特征，并在YOLO26的基础上配置了原论文中PKINET_T', 'PKINET_S,PKINET_B三种模型，以满足不同的需求。
文章目录
- 一、本文介绍
- 二、PKI Module原理介绍
- 2.1 原理
- 2.2 结构
- 2.2.1 局部特征提取
- 2.2.2 多尺度上下文特征提取
- 2.2.3 特征融合
- 2.3 优势
- 三、PKINet的实现代码
- 四、修改步骤
- 4.1 修改一
- 4.2 修改二
- 4.3 修改三
- 五、yaml模型文件
- 5.1 模型改进⭐
- 六、成功运行结果
二、PKI Module原理介绍
Poly Kernel Inception Network for Remote Sensing Detection
PKI Module是Poly Kernel Inception Network (PKINet)中的一个重要模块，其设计原理、结构和优势如下：
2.1 原理
PKI Module是一个Inception-Style模块，通过不同尺寸的卷积核组合来提取不同尺度的特征。它先使用小卷积核卷积抓取局部信息，然后使用一组并行的深度可分离卷积来捕获多尺度的上下文信息。通过这种方式，可以在不同感受野上提取特征，并将局部和上下文特征进行融合，以获取更丰富的特征表示，同时避免因单一尺度卷积核或扩张卷积带来的问题，如小卷积核可能丢失长距离上下文信息，大卷积核可能引入背景噪声或生成过于稀疏的特征表示。
2.2 结构
2.2.1 局部特征提取
- 对于第l l<