0. 前言
本文介绍了可切换空洞卷积（Switchable Atrous Convolution，SAConv），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。SAConv是DetectoRS目标检测系统关键组件，将输入特征与不同空洞率卷积，用开关函数组合结果。空洞卷积可扩大滤波器视野，SAC能适应不同对象尺度，开关函数具有空间相关性。在宏观和微观层面分别采用递归特征金字塔和可切换空洞卷积，实现双重观察机制。我们将骨干网络中的标准卷积层转换为SAConv集成进YOLO26，实验表明这显著提升了目标检测性能。
专栏链接：YOLO系列算法改进专栏链接
目录
0. 前言
1. SAConv卷积模块简介
2. SAConv卷积基本原理与创新点
🧠 SAConv卷积基本原理
🎯 SAConv卷积创新点
3. 具体改进步骤
🍀🍀步骤1：创建SAConv.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. SAConv卷积模块简介
许多现代目标检测器通过采用二次观察和思考机制展示了卓越的性能。在本文中，我们在目标检测的主干设计中探索了这一机制。在宏观层面上，我们提出了递归特征金字塔（Recursive Feature Pyramid），该金字塔将特征金字塔网络（Feature Pyramid Networks）的额外反馈连接融入到底层的自下而上主干层中。在微观层面上，我们提出了可切换空洞卷积（Switchable Atrous Convolution），该卷积通过不同的空洞率卷积特征，并使用切换函数汇集结果。结合这些方法，我们提出了DetectoRS，它显著提升了目标检测的性能。在COCO test-dev数据集上，DetectoRS实现了最先进的55.7%的目标检测框AP、48.5%的实例分割掩码AP和50.0%的全景分割PQ。代码已公开发布。
原始论文：https://arxiv.org/
