一、本文介绍
🔥本文介绍使用GBConv瓶颈卷积模块改进YOLO26网络模型，优势在于其显著提高了计算效率和特征提取能力。GBConv通过瓶颈卷积和门控机制，减少了模型的参数和计算复杂度，使得YOLO26在资源受限的设备上也能高效运行。同时，GBConv增强了网络在复杂背景和多变场景下的适应性，特别是在细小目标或复杂形态目标的检测中，能够更好地捕捉细节特征并减少背景噪声的干扰。这些改进使得YOLO26在实时目标检测任务中更精准、快速且具有较高的鲁棒性，尤其适用于边缘设备和需要高效计算的应用。
🔥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、GBConv模块介绍
2.1 GBConv模块网络结构图
2.2 GBConv模块的作用
2.3 GBConv模块的优势
2.4 GBConv模块的原理
三、完整核心代码
四、手把手教你配置模块和修改task.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task.py文件
五、创建涨点yaml配置文件
🚀 创新改进1 :
🚀 创新改进2 :
🚀 创新改进3 :
🚀 创新改进4 :
六、正常运行
二、GBConv模块介绍
摘要：结构裂缝的像素级分割在多种场景下仍然是一个巨大的挑战。当前的方法在有效建模裂缝形态和纹理方面存在困难，尤其是在平衡分割质量与计算资源消耗时。为了解决这些问题，本文提出了一种轻量级的结构感知视觉马尔巴网络（SCSegamba），能够通过充分利用裂缝像素的形态信息和纹理线索，在最小的计算成本下生成高质量的像素级分割图。具体来说，我们设计了一个结构感知视觉状态空间模块（SAVSS），其中包含了一个轻量级的门控瓶颈卷积（GBC）和一种结构感知扫描策略（SASS）。GBC的关键在于它能够有效建模裂缝的形态信息，而SASS通过增强裂缝像素之间语义信息的连续性，提升了裂缝拓扑和纹理的感知能力。通过在裂缝基准数据集上的实验，证明了我们的方法超越了其他最先进的方法，以仅仅2.8M的参数量实现了最佳性能。在多场景数据集上，我们的方法达到了0.8390的F1分数和0.8479的mIoU。
