一、本文介绍
🔥本文给大家介绍使用 FSConv 频率–空间卷积模块改进YOLO26 网络模型，能够显著增强网络对红外图像、小目标和复杂背景的感知能力。该模块通过小波分解提取高频和低频特征，分别建模细节纹理与全局结构，并利用轻量化卷积高效融合，从而提升特征表达质量。与标准卷积相比，FSConv 更能突出目标与背景之间的差异，在不显著增加计算量的前提下提升检测精度，特别适用于低对比度、目标微弱或多尺度目标检测场景。同时，FSConv 结构灵活、易于集成，可作为即插即用模块嵌入 YOLO26 的主干或颈部网络，实现性能增强而无需改动整体架构，具备良好的兼容性和部署优势。
🔥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、FSConv频率–空间卷积模块介绍
2.1 FSConv频率–空间卷积模块 网络结构图
2.2 FSConv 模块的原理：
2.3 FSConv 模块的优势
2.4 FSConv 模块的作用
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_FSConv.yaml
🚀 创新改进2: yolo26_FSConv-2.yaml
六、正常运行
二、FSConv频率–空间卷积模块介绍
摘要：红外小目标检测（IRSTD）由于极低的信噪比（SNR）仍面临挑战。现有方法在计算资源有限的情况下难以平衡精度与速度。为解决这些问题，我们基于YOLO v10n架构提出频率-空间上下文融合网络（FSCFNet）。特别设计的频率-空间卷积（FSConv）通过Haar小波变换（WT）分解输入特征：高频线索聚焦局部细节以突出小目标，低频线索提供全局信息以补充空间特征。随后开发的非对称跨域注意力（ACA）增强局部中心特征提取，反映小目标典型的高斯空间分布模式。此外，引入定制化多尺度感受上下文模块（MRCB）通过多样化扩张卷积捕捉长程信息，并采用Wasserstein距离损失（WDL）提升边界框质量。在 IRSTD -1k、 NUDT - SIRST 和 NUAA - SIRST 等三个公开数据集上的大量实验验证了FSCFNet的有效性。值得注意的是，FSCFNet在 IRSTD -1k数据集上仅增加3.6%参数量，就实现了精度提升4.7%、召回率提高3.3%、AP@50指标提升3.9%的突破。该方案为资源受限环境下的实时红外监控系统提供了稳健的解决方案。显示了
