一、本文介绍
本文记录的是利用ES-MoE 模块改进 YOLO26 的骨干网络特征提取部分。
ES-MoE（Efficient Sparse Mixture-of-Experts）通过多尺度专家组与分阶段动态路由机制结合，实现YOLO26对不同复杂度场景的自适应计算资源分配。本文利用ES-MoE模块，通过多尺度专家组（不同尺寸深度可分离卷积）捕捉多样化目标特征，再通过动态路由网络（全局池化+轻量化卷积）生成场景依赖的专家激活权重，同时依托负载均衡损失保证专家充分利用，对YOLO26中复杂场景的密集小目标、遮挡目标特征进行针对性强化，抑制简单场景的冗余计算消耗，在特征提取阶段实现场景适配的精准计算与多尺度特征互补，突破传统静态架构的精度-效率权衡限制，增强模型对复杂真实场景的检测精度与实时推理能力。
专栏目录：YOLO26改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
专栏地址：YOLO26改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！
文章目录
- 一、本文介绍
- 二、ES-MoE介绍
-
- 2.1 设计出发点
- 2.2 模块结构
- 2.3 模块优势
- 三、ES-MoE的实现代码
- 四、添加步骤
-
- 4.1 改进点1⭐
- 五、添加步骤
-
- 5.1 修改一
- 5.2 修改二
- 5.3 修改三
- 六、yaml模型文件
-
- 6.1 模型改进⭐
- 七、成功运行结果
二、ES-MoE介绍
2.1 设计出发点
ES-MoE（Efficient Sparse Mixture-of-Experts）是为解决传统YOLO类实时目标检测器的静态计算冗余问题而提出的稀疏混合专家模块。现有YOLO架构对所有输入场景采用统一的密集计算模式，导致简单场景资源浪费、复杂场景（如密集小目标、遮挡场景）计算不足，难以平衡检测精度与推理速度。ES-MoE引入实例条件自适应计算，通过动态路由机制为不同复杂度的输入分配差异化计算资源，突破传统静态架构的精度-效率权衡限制，同时适配实时检测的轻量化需求。
2.2 模块结构
ES-MoE核心由三大组件构成，实现稀疏自适应计算：
