YOLO26涨点改进 | 独家创新、注意力改进篇 | TGRS 2025 | YOLO26引入PTIM并行标记交互模块，增强全局上下文信息捕捉，适合红外小目标检测，遥感小目标检测，图像分割有效涨点
一、本文介绍
🔥🐉本文给大家介绍利用PTIM并行标记交互模块改进YOLO26网络模型。PTIM增强了长程依赖建模和全局上下文信息的捕捉，使得YOLO26在复杂背景和小目标检测中表现更为精准。PTIM通过在高度、宽度和通道维度上进行标记交互，提升了目标与背景的区分能力，特别是在目标和背景对比不明显的情况下。同时，它保持了计算效率，避免了Transformer方法的高计算开销，确保了实时检测任务中的高效性。PTIM的引入使YOLO26在小目标检测和复杂场景中的精度大幅提高，同时减少了误报和漏报。
🔥🐉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、PTIM模块介绍
2.1 PTIM 模块结构图
2.2 PTIM 模块的作用与优势：
2.3 PTIM 模块的原理
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ultralytics\nn\tasks.py文件
五、创建涨点yaml配置文件
🚀 创新改进1🐉: yolo26_PTIM.yaml
🚀 创新改进3🐉: yolo26_C3k2_PTIM.yaml
六、正常运行
二、PTIM模块介绍
摘要：红外小目标检测（IRSTD）面临诸多挑战，包括远距离、弱特征和小尺度等难题。虽然基于卷积神经网络（CNN）的方法已取得进展，但其固有的局部化倾向限制了全局解析能力。而基于Transformer的方法虽能捕捉长距离依赖关系，却因二次复杂度导致计算效率低下。为突破这些瓶颈，本文提出了一种新型多层感知器（MLP）融合网络——MLP-Net，专为IRSTD设计。该架构融合CNN与MLP的优势，既能从局部特征中提取全局语义信息，又显著提升了特征表征质量。我们还开发了并行标记交互混频器（PTIM），通过在MLP的高度、宽度和通道维度上引入方向特定的交互信息，动态增强长距离依赖建模能力。此外，我们设计了上下文选择融合模块（CSFM），实现从粗到细的高级语义与细节信息逐步聚合。该模块整合不同层级的互补特性，有效提升检测精度。最终，针对NUAA-SIRST、NUDT-SIRST和IRSTD