一、本文介绍
🔥本文介绍使用MSGDC多尺度分组膨胀卷积模块改进YOLO26网络模型，可以显著提高计算效率和减少模型参数量，通过多尺度特征融合增强模型对不同尺寸目标的表示能力，提升检测精度，尤其在复杂场景中表现更好。该模块还加速了训练和推理过程，特别适用于资源受限的设备，能够在保证精度的同时提升实时检测性能。因此，MSGDC模块能有效优化YOLO26，提升其在实际应用中的效能和鲁棒性。
🔥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、MSGDC模块介绍
2.1 MSGDC模块网络结构图
2.2 MSGDC模块的作用
2.3 MSGDC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_MSGDConv.yaml
🚀 创新改进2 : yolo26_MSGDC3k2.yaml
🚀 创新改进3 : yolo26_C3k2_MSGDC.yaml
六、正常运行
二、MSGDC模块介绍
摘要：模型二值化在使卷积神经网络（CNN）实现实时和能效计算方面取得了显著进展，为视觉变换器（ViT）在边缘设备上的部署挑战提供了潜在解决方案。然而，由于CNN和变换器架构之间的结构差异，简单地将二值化CNN策略应用于ViT模型会导致显著的性能下降。为了解决这个问题，我们提出了BHViT，一种二值化友好的混合ViT架构及其完整的二值化模型，基于三个重要的观察结果进行指导。首先，BHViT利用从粗到细的局部信息交互和分层特征聚合技术，解决了由过多标记导致的冗余计算问题。然后，提出了一种基于位移操作的新模块，以增强二值化多层感知机（MLP）模块的性能，同时不显著增加计算开销。此外，我们还提出了一种创新的注意力矩阵二值化方法，基于量化分解来评估二值化注意力矩阵中标记的相似度差异。最后，我们提出了一种正则化损失，以解决二值化层中的权重振荡与Adam优化器之间的不兼容问题。大量实验结果表明，我们提出的算法在二值化ViT方法中达到了最新的性能。
