一、本文介绍
🔥本文给大家介绍使用 MPA多尺度部分注意力 改进YOLO26网络模型，MPA通过多尺度部分注意力机制对高层语义特征进行增强，利用部分注意力模块（ParAM）和部分空间模块（ParSM）同时建模通道关系与空间位置关系，使模型能够捕获目标区域的长距离依赖和多尺度上下文信息，从而提升YOLO26对小目标、密集目标、弱纹理目标和复杂背景目标的特征表达能力；同时，MPA采用“分割—处理”的部分特征计算策略，并结合软最大值线性注意力（SLA）降低传统全注意力机制的计算复杂度，在减少特征冗余和控制参数开销的同时保持较强的注意力增强效果，有助于提高YOLO26在高分辨率图像和复杂场景下的检测精度、定位能力与推理效率。
🔥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、MPA多尺度部分注意力介绍
2.1 MPA多尺度部分注意力结构图
2.2 MPA多尺度部分注意力模块的作用：
2.3 MPA多尺度部分注意力模块的原理
2.4 MPA多尺度部分注意力模块的优势
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_MPA.yaml
🚀 创新改进2🔥: yolo26_C3k2_MPA.yaml
🚀 创新改进3🔥: yolo26_C2MPA.yaml
六、正常运行
二、MPA多尺度部分注意力介绍
摘要：基于地面的云图分割是光伏（PV）发电预测领域的重要研究方向。当前的深度学习（DL）方法主要聚焦于编码器-解码器架构的优化，但现有方法存在以下局限：1）虽依赖扩张卷积实现多尺度上下文提取，却未能充分利用通道间互操作性及局部特征的有效性；2）基于注意力机制的特征增强方案常会牺牲精度与计算效率之间的平衡；3）解码器改进方案往往无法重建层级化局部特征间的全局关联性，从而限制推理效率。为解决这些问题，我们提出 MPCM -Net——一种融合部分注意力卷积与Mamba架构的多尺度网络，以提升分割精度。具体而言，该网络的编码器包含多尺度部分注意力卷积（MPAC）模块，其由两部分组成：一是配备部分通道模块（ParCM）和部分空间模块（ParSM）的多尺度部分卷积（MPC）块，可促进不同尺度云层结构间的全局空间交互；二是结合部分注意力模块（ParAM）与ParSM的多尺度部分注意力（MPA）块，能以较低计算复杂度提取具有区分性的特征。在解码器端，我们采用多尺度Mamba模块
