0. 前言
本文介绍了轻量级深度神经网络的双卷积核（dual convolutional kernels，DualConv），并集成到ultralytics最新发布的YOLO26目标检测算法中，改进Backbone特征提取部分。DualConv结合3×3和1×1 卷积核同时处理输入特征图通道，利用组卷积技术排列卷积滤波器。3×3 卷积核提取细粒度特征，1×1卷积核压缩参数，组卷积减少计算量。该方法可应用于多种CNN模型。我们将DualConv集成进YOLO26，实验表明它显著减少了计算成本和参数数量，提升了YOLO-V3检测速度和准确性，在部分数据集上还提高了分类准确率。
专栏链接：YOLO系列算法改进专栏链接
目录
0. 前言
1. DualConv卷积简介
2. DualConv卷积基本原理与创新点
🧠 DualConv卷积基本原理
🎯 DualConv卷积创新点
3. 具体改进步骤
🍀🍀步骤1：创建DualConv.py文件
🍀🍀步骤2：tasks.py文件修改
🍀🍀步骤3：创建YAML配置文件
🍀🍀步骤4：新建train.py文件训练模型
🍀🍀步骤5：模型结构打印结果
1. DualConv卷积简介
卷积神经网络（CNN）架构通常在内存和计算需求方面较为繁重，这使得其在硬件资源有限的嵌入式系统上难以部署。我们提出了双卷积核（DualConv）用于构建轻量级深度神经网络。DualConv 将 3×3 和 1×1 卷积核结合，以同时处理相同的输入特征图通道，并利用分组卷积技术有效组织卷积滤波器。DualConv 可用于任何 CNN 模型中，如用于图像分类的 VGG-16 和 ResNet-50，用于目标检测的 YOLO 和 R-CNN，或用于语义分割的全卷积网络（FCN）。在本研究中，我们对 DualConv 在图像分类任务上进行了广泛测试，因为这些网络架构是许多其他任务的基础。我们还在 YOLO-V3 上测试了 DualConv 用于目标检测的效果。实验结果表明，结合我们的结构创新，DualConv 显著降低了深度神经网络的计算成本和参数数量，同时在部分情况下意外地实现了比原始模型更高的精度。我们在 CIFAR-100 数据集上使用 DualConv 进一步将轻量级 MobileNetV2 的参数减少了 54%，而精度仅下降 0.68%。当参数数量不是问题时，DualConv 在相同数据集上将 MobileNetV1 的精度提高了 4.11%
