一、本文介绍🔥本文给大家介绍使用 APTB通道和空间注意力机制 改进YOLO26网络模型，通过自适应通道分裂机制，只让部分通道参与自注意力计算，再将注意力特征与未参与计算的通道进行融合，并利用 ConvMLP 进一步增强非线性表达能力。因此，APTB 更有利于缓解小目标在深层特征中被下采样削弱或丢失的问题，提升 YOLO26 对小目标、弱目标和边界模糊目标的定位与识别能力，同时相比完整 Transformer 结构更加轻量，能够在保持检测速度的前提下提高复杂场景下的检测精度和鲁棒性。🔥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、APTB通道和空间注意力机制模块介绍2.1 APTB通道和空间注意力机制模块结构图2.2APTB 模块的作用：2.3 APTB 模块的原理2.4APTB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_APTB.yaml🚀创新改进2🔥: yolo26_APTB-2.yaml🚀创新改进3🔥: yolo26_C2PSA_APTB.yaml🚀创新改进4🔥: yolo26_APTBC3k2.yaml六、正常运行二、APTB通道和空间注意力机制模块介绍摘要：红外小目标检测（IRSTD）在监控和救援等众多应用场景中具有关键作用。然而，现有方法难以有效整合小目标的上下文信息，背景噪声及有限的长距离依赖学习能力进一步限制了检测性能。为解决这些问题，本文提出了一种基于非对称U-Net架构的新型自适应部分Transformer网络——APTNet，该网络能增强上下文信息整合能力，精准检测复杂场景中的小型物体，从而提升检测性能。具体而言，该网络设计了双残差注意力块（DRAB），通过通道和空间注意力机制增强复杂背景中微弱目标的对比度，从而提升对小目标的区分能力；同时，结合上下文池化连接与DRAB输出特征，提出了自适应部分Transformer模块（APTB）。该模块首先提出自适应通道分割因子，以较低计算开销实现上下文信息整合与长距离依赖学习。在两个公开数据集上的广泛实验表明，所提出方法在交并比（IoU）