YOLO系列算法改进 | 主干改进篇 | 替换ConvFormer深度可分离卷积Token混合网络 | 通过极简卷积算子重塑MetaForm，超越复杂注意力机制的特征表达 | TPAMI 2024

0. 前言本文介绍ConvFormer深度可分离卷积Token混合网络，并将其集成到ultralytics最新发布的YOLO26目标检测算法中，替换原有Backbone网络。ConvFormer通过在MetaFormer架构中采用深度可分离卷积作为Token混合器，以纯粹CNN的形式实现了超越复杂注意力机制的视觉表征能力。将ConvFormer作为YOLOv26的新主干网络，能够显著增强模型在有限计算资源下的全局上下文建模能力，凭借倒置残差结构与7×7大核深度卷积的协同设计，尤其适用于边缘计算设备、实时视频流分析、无人机航拍检测等对推理速度和能效有严苛要求的场景，在保持检测精度的同时大幅降低计算冗余和内存占用，解决资源受限环境中高性能模型难以部署的核心瓶颈。专栏链接：YOLO系列算法改进专栏链接专栏文章：YOLO26改进系列 | 卷积篇、轻量化、注意力、损失函数、Backbone、SPPF、C2PSA、Neck、检测头全方面保姆级优化合集 | 同样适配YOLOv11改进！！！目录0. 前言1.ConvFormer网络简介2.ConvFormer网络原理与创新点🧠ConvFormer网络基本原理🎯ConvFormer网络创新点3.具体改进步骤🍀🍀步骤1：创建MetaFormer.py文件🍀🍀步骤2：tasks.py文件修改⚡1.ConvFormer网络导入⚡2.ConvFormer网络注册⚡3. 其他修改1（Ctrl+F搜索定位一下）⚡4. 其他修改2（Ctrl+F搜索定位一下）⚡5. 其他修改3（_predict_once函数修改）🍀🍀步骤3：创建YAML配置文件🍀🍀步骤4：新建train.py文件训练模型🍀🍀步骤5：模型结构打印结果1.ConvFormer网络简介MetaFormer作为Transformer抽象架构，已被发现是实现竞争性性能的关键因素。本文进一步探索MetaFormer的能力，再次将研究焦点从Token混合器设计上移开：我们引入了在MetaFormer框架下使用最基本或最常见混合器的若干基线模型，并展示了它们令人满意的性能。我们将观察结果总结如下：（1）MetaFormer确保了坚实的性能下限：仅采用恒等映射作为Token混合器，所得到的MetaFormer模型IdentityFormer在ImageNet-1K上实现了80%的准确率。（2）MetaFormer与任意Token混合器均能良好兼容：即使将Token混合器指定为随机矩阵进行Token混合，所得到的RandFormer模型仍实现了81%的准确率。（3）MetaFormer轻松提供了最先进的性能：仅使用五年前的传统Token混合器，从MetaFormer实例化的模型就已经超越了现有技术水平。（4）ConvFormer优于ConvNeXt：采用深度可分离卷积作为Token混合器，所得到的纯CNN模型ConvFormer超越了强大的CNN模型ConvNeXt。（5）CAFormer在ImageNet-1K上创造了新纪录：在底层阶段采用深度可分离卷积、高层阶段采用原始自注意力机制，CAFormer在224×224分辨率