一、本文介绍
🔥本文给大家介绍使用SAA选择性聚合注意力改进YOLO26网络模型，主要作用是以低成本增强全局上下文建模能力：它保留完整Query特征以维持目标空间位置和细节表达，同时对Key和Value进行密度驱动的选择性聚合，将平滑背景或冗余区域压缩为少量代表token，使模型把更多计算资源用于目标边缘、纹理和高频细节区域。其优势在于相比普通全局注意力计算量更低，相比窗口注意力感受野更大，相比直接token裁剪更能保留检测所需的空间细节，有助于在保持实时推理效率的同时提升检测精度、定位质量和鲁棒性。
🔥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、SAA选择性聚合注意力介绍
2.1 SAA选择性聚合注意力结构图
2.2 SAA 模块的作用：
2.3 SAA 模块的原理
2.4 SAA 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_C2SAA.yaml
🚀 创新改进2🔥: yolo26_C3k2_SAA.yaml
🚀 创新改进3🔥: yolo26_SAA.yaml
🚀 创新改进4🔥: yolo26_SAA-2.yaml
六、正常运行
二、SAA选择性聚合注意力介绍
摘要：基于变换器的方法通过建模长距离依赖关系，彻底革新了图像超分辨率领域。然而，传统自注意力机制的二次计算复杂度带来了显著挑战，常常导致效率与全局上下文利用之间存在权衡。近期基于窗口的注意力方法通过局部化计算缓解了这一问题，但其接收野范围往往受限。为克服这些局限，我们提出选择性聚合变换器（SAT）。这种新型变换器能高效捕捉长距离依赖关系：通过我们的密度驱动令牌聚合算法选择性地聚合键值矩阵（使令牌数量减少97%），同时保持查询矩阵的完整分辨率，从而大幅扩展模型接收野范围。该设计显著降低计算成本，实现更低的计算复杂度，并在不牺牲重建保真度的前提下支持可扩展的全局交互。SAT利用密度和隔离度量指标，用单一聚合令牌标识每个聚类单元，确保关键高频细节得以保留。实验结果表明，SAT相较当前最先进的 PFT 方法性能提升高达0.22 dB，同时总FLOPS计算量可降低达27%。
