一、本文介绍
🔥本文给大家介绍使用 MRCB多尺度感受野上下文提取模块改进 YOLO26 网络模型，可以有效扩展其感受野、增强上下文理解和提升小目标的响应强度，显著提升检测精度与鲁棒性，尤其适用于复杂背景、小目标密集的红外或遥感图像场景。同时，MRCB 结构轻量、易于部署，适合嵌入 YOLO26 的多种检测框架中而不影响整体推理效率。
🔥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、MRCB多尺度感受野上下文提取模块介绍
2.1 MRCB模块 网络结构图
2.2 MRCB 模块的原理：
2.3 MRCB 模块的优势
2.4 MRCB 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_MRCB.yaml
🚀 创新改进2: yolo26_MRCB-2.yaml
六、正常运行
二、MRCB多尺度感受野上下文提取模块介绍
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。显示了更多比较结果。
