一、本文介绍
本文记录的是基于InceptionNeXt的YOLO26骨干网络改进方法研究。
InceptionNeXt提出了新颖的Inception 深度卷积，将大核深度卷积分解为四个并行分支，有效提升计算效率并保持大感受野。将InceptionNeXt应用到YOLO26的骨干网络中，利用其独特的卷积结构，在处理图像时，不仅能快速捕捉到图像的局部细节特征，还能通过大感受野把握图像的整体信息，实现精度与效率的平衡优化 。
本文在YOLO26的基础上配置了原论文中inceptionnext_atto,inceptionnext_tiny,inceptionnext_small,inceptionnext_base,inceptionnext_base_384五种模型，以满足不同的需求。
文章目录
- 一、本文介绍
- 二、InceptionNeXt原理介绍
- 2.1 设计出发点
- 2.2 结构
- 2.3 优势
- 三、InceptionNeXt的实现代码
- 四、修改步骤
- 4.1 修改一
- 4.2 修改二
- 4.3 修改三
- 五、yaml模型文件
- 5.1 模型改进⭐
- 六、成功运行结果
二、InceptionNeXt原理介绍
InceptionNeXt: When Inception Meets ConvNeXt
InceptionNeXt是一种新型的卷积神经网络，旨在解决大核卷积神经网络在速度和性能之间的平衡问题。它的设计出发点基于对现有模型的分析和改进需求，结构上有独特的创新，这些设计为模型带来了显著的优势。
2.1 设计出发点
CNN通过改进训练技术和采用大核卷积等方式，证明了其仍然具有竞争力。但大核深度卷积存在速度瓶颈，尽管其FLOPs较小，但内存访问成本高，限制了模型在GPU等强大计算设备上的运行效率。例如，ConvNeXt-T与ResNet-50的FLOPs相似，但训练吞吐量仅为ResNet-50的约60%。
因此，如何在保持性能的同时加速大核CNN成为一个挑战，这就是InceptionNeXt模型设计的出发点。
2.2 结构
InceptionNeXt基于MetaNeXt block构建，MetaNeXt是从ConvNeXt抽象出来的通用块。
在MetaNeXt block中，输入首先经过一个TokenMixer（在ConvNeXt中为深度卷积）进行空间信息交互，然后进行归一化，再通过MLP模块处理，最后采用快捷连接。InceptionNeXt的关键创新在于Inception深度卷积，它将大核深度卷积沿通道维度分解为四个并行分支，包括一个小正方形内核（3×3）、两个正交带状内核（1×k和k×1）和一个
