YOLO26涨点改进| SCI 2025 | 独家创新首发、注意力改进篇| 引入DRAB双残差注意力模块，改进FBRT-YOLO小目标检测模型，助力红外小目标检测、小目标图像分割、遥感目标检测任务涨点

一、本文介绍

🔥本文给大家介绍使用  DRAB双残差注意力模块 改进YOLO26网络模型，增强网络对弱小目标的特征提取能力，使模型在复杂背景中更准确地区分真实目标与噪声干扰。其核心作用是通过卷积提取基础局部特征，再利用通道注意力筛选关键特征通道，利用空间注意力突出目标所在区域，并通过双残差连接保留原始细节、稳定梯度传递和促进多层特征融合。因此，DRAB 能够有效强化小目标、暗弱目标和边界模糊目标的响应，减少目标在下采样和深层特征传递中的信息丢失，同时抑制背景亮斑、杂波和伪目标带来的误检风险。相比普通卷积模块，DRAB 更有利于提升 YOLO26 的小目标检测精度、定位稳定性和复杂场景鲁棒性，尤其适合红外小目标、远距离目标和低信噪比场景下的检测任务。

🔥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、DRAB双残差注意力模块介绍

2.1 DRAB双残差注意力模块结构图

2.2 DRAB 模块的作用：

2.3 DRAB 模块的原理

2.4 DRAB 模块的优势

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1🔥: yolo26_FBRT-YOLO_DRAB.yaml

🚀 创新改进2🔥: yolo26_DRAB.yaml

🚀 创新改进3🔥: yolo26_C2PSA_DRAB.yaml

🚀 创新改进4🔥: yolo26_DRABC3k2.yaml

六、正常运行

二、DRAB双残差注意力模块介绍

摘要：红外小目标检测（IRSTD）在监控和救援等众多应用场景中具有关键作用。然而，现有方法难以有效整合小目标的上下文信息，背景噪声及有限的长距离依赖学习能力进一步限制了检测性能。为解决这些问题，本文提出了一种基于非对称U-Net架构的新型自适应部分Transformer网络——APTNet，该网络能增强上下文信息整合能力，精准检测复杂场景中的小型物体，从而提升检测性能。具体而言，该网络设计了双残差注意力块（DRAB），通过通道和空间注意力机制增强复杂背景中微弱目标的对比度，从而提升对小目标的区分能力；同时，结合上下文池化连接与DRAB输出特征，提出了自适应部分Transformer模块（APTB）。该模块首先提出自适应通道分割因子，以较低计算开销实现上下文信息整合与长距离依赖学习。在两个公开数据集上的广泛实验表明，所提出方法在交并比（IoU）、检测概率（Pd）和误报率（Fa）方面均显著优于现有的最先进 IRSTD 方法。<