当前超高清图像复原任务中，传统逐像素处理的视觉模型计算成本极高，即便采用聚类中心的稀疏建模方式大幅压缩计算量，也会在特征聚合过程中不可避免地丢失图像边缘、纹理、细微结构等高频细节信息，导致模型只具备全局语义理解能力，却缺失局部精细特征支撑。为了破解高效建模与细节保留无法兼顾的行业难题，SCFM 被设计为专用的特征优化模块，以轻量化机制完成细节修复与特征补强。
基础模型
改进后的模型
1.SCFM原理
SCFM 采用空间与通道双向独立调制、特征互补融合的核心原理，通过双分支注意力机制对特征进行精细化优化。空间分支聚焦图像的位置分布与局部结构，精准找回聚类建模中损耗的空间细节；通道分支挖掘不同特征通道的语义贡献度，强化有效特征、抑制冗余信息。二者协同工作，在不增加过多计算负担的前提下，将全局聚类特征与局部细节特征完美整合，让特征表达更全面、更精准。
SCFM 采用极简的并行双分支架构，部署灵活、计算高效，整体分为三个功能单元：
-
空间调制单元：对输入特征做空间维度的最大与平均池化，拼接后通过卷积与激活函数生成空间权重，重点增强图像关键区域的细节特征。
-
通道调制单元：先对特征做轻量卷积变换，再通过通道维度的池化与激活生成通道权重，筛选出对任务有价值的核心特征通道。
-
特征融合单元：将空间、通道调制后的特征分别与原始特征加权，最终融合输出完整的优化特征。
2. YOLO与 SCFM的结合
SCFM 轻量化的设计不会增加 YOLO 模型的参数量和推理时间，完全契合 YOLO 实时检测的应用需求。它能有效弥补 YOLO 在特征提取阶段的细节损耗，强化目标特征的表达效果，让小目标、复杂背景下的检测结果更稳定可靠。
3. SCFM代码部分
YOLO11|YOLO12|YOLO26|改进| 空间 - 通道特征调制器SCFM，通过空间与通道双分支注意力协同调节，融合全局与局部特征，弥补丢失细节_哔哩哔哩_bilibili
YOLO26 杀疯了：性能 Double + 无 NMS/DFL，更快更强更轻量的检测「新爹」_哔哩哔哩_bilibili
YOLOv11模型改进讲解，教您如何修改YOLOv11_哔哩哔哩_bilibili
代码获取： YOLOv8_improve/YOLOV12.md at master · tgf123/YOLOv8_improve · GitHub
4. SCFM引入到YOLO26中
第一: 先新建一个change_model，如下图如所示。
将代码复制到change_model里面
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YOLOV11.YAMY文件中
第五：运行代码
python
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"/home/tgf/tgf/yolo/model/YOLO26/ultralytics/cfg/models/26/yolo26_SCFM.yaml")
# .load(r'E:\Part_time_job_orders\YOLO_NEW\YOLOv12\yolo12n.pt') # build from YAML and transfer weights
results = model.train(data=r"/home/tgf/tgf/yolo/model/YOLO26/ultralytics/cfg/datasets/VOC_my.yaml",
epochs=300,
imgsz=640,
batch=32,
optimizer="MuSGD",
# 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
)