YOLO12 改进｜融入大 - 小卷积LS Convolution 捕获全局上下文与小核分支提取局部细节，提升目标检测中的多尺度

传统卷积核尺寸固定（如 3×3、5×5），在目标检测任务中面临两难：小卷积核（如 YOLOv5/YOLOv8 中的 3×3）：计算高效但感受野有限，对大目标或密集场景建模能力不足。大卷积核（如 11×11、13×13）：能捕获全局上下文，但参数量爆炸（如 13×13 卷积参数量是 3×3 的 20 倍以上），易过拟合且计算低效。LS Convolution（Large-Small Convolution）应运而生，旨在平衡全局感知与局部细节，并通过结构创新降低大核计算成本

上面是原模型，下面是改进模型

1. 大 - 小卷积LS Convolution 介绍

LS Convolution 的核心结构包含三个组件：

1. 大核稀疏卷积（Large Kernel Sparse Convolution）采用深度可分离卷积 + 空洞卷积组合：

使用大尺寸深度卷积（如 7×7、9×9）提取空间特征，参数量仅为标准卷积的 1/channel 数。

引入空洞率（dilation）进一步扩大感受野，避免参数激增（如 dilation=2 时，7×7 卷积等效感受野为 13×13）。

小核动态卷积（Small Kernel Dynamic Convolution） 采用分组卷积 + 注意力机制 ：

使用 3×3 或 5×5 小卷积核提取局部细节，保持计算效率。

通过通道注意力（SE 模块）和空间注意力（SAM 模块）动态调整特征权重，增强对关键区域的响应。

引入可变形卷积思想，使小核能够适应目标形状变化。

特征融合与聚合通过两种方式融合大核与小核特征：

并联结构：大核分支与小核分支并行计算，后通过 concat 或加权求和合并。

级联结构：先用大核提取全局上下文，再用小核对其细化，形成 "粗粒度→细粒度" 层级特征。

2. YOLOv12与大 - 小卷积LS Convolution 的结合

LS 卷积与 YOLO12 结合时，大核分支可捕捉图像全局语义信息（如目标与场景关系），小核分支聚焦目标局部细节（如纹理、边缘），通过动态权重融合增强多尺度特征表达，提升复杂场景下小目标、重叠目标的检测精度；同时借助深度可分离卷积等轻量化设计，在保持 YOLO12 实时推理速度的前提下，平衡计算量与检测性能

3. 大 - 小卷积LS Convolution代码部分

YOLO12模型改进方法，快速发论文，总有适合你的改进，还不改进上车_哔哩哔哩_bilibili

4. 大 - 小卷积LS Convolution引入到YOLOv12中

第一: 先新建一个v12_changemodel，将下面的核心代码复制到下面这个路径当中，如下图如所示。E:\Part_time_job_orders\YOLO_NEW\YOLOv12\ultralytics\v12_changemodel。

第二：在task.py中导入 包

第三：在task.py中的模型配置部分下面代码

第四：将模型配置文件复制到YOLOV12.YAMY文件中

第五：运行代码

python 复制代码

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld

if __name__=="__main__":

    # 使用自己的YOLOv12.yamy文件搭建模型并加载预训练权重训练模型
    model = YOLO(r"E:\Part_time_job_orders\YOLO_NEW\YOLOv12\ultralytics\cfg\models\12\yolo12_LSConv.yaml")\
        .load(r'E:\Part_time_job_orders\YOLO_NEW\YOLOv12\yolo12n.pt')  # build from YAML and transfer weights

    results = model.train(data=r'E:\Part_time_job_orders\YOLO\YOLOv12\ultralytics\cfg\datasets\VOC_my.yaml',
                          epochs=300,
                          imgsz=640,
                          batch=64,
                          # cache = False,
                          # single_cls = False,  # 是否是单类别检测
                          # workers = 0,
                         # resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',
                          amp = True
                          )

YOLO12 改进｜融入 大 - 小卷积LS Convolution 捕获全局上下文与小核分支提取局部细节，提升目标检测中的多尺度