一、本文介绍

🔥本文将 StripNet主干网络应用于 YOLO26 版本的目标检测，显著提升了其在高纵横比物体和复杂场景中的检测能力。StripNet通过条形卷积有效捕捉长条物体的特征，优化了定位精度，并减少了计算冗余，使得模型更加高效简洁。此外，StripNet提升了YOLO26在遥感目标检测、小目标检测、实时目标检测图片中的表现，特别适合处理大范围或倾斜物体，具有更强的多尺度特征提取能力，同时保持实时性和高效性。具体怎么使用请看全文。

包含2种主干改进: 'StripNet_S','StripNet_T'。

🔥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、⭐StripNet 主干网络介绍

⭐ Strip R-CNN 架构设计

⭐ StripNet主干的核心优势体现在以下几个方面：

1.条形卷积的高效性

2. 简洁且高效

3. 增强的定位精度

4. 适应多种数据集

5. 轻量化设计

三、StripNet 主干的核心代码

四、手把手教你添加StripNet 主干网络结构和修改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 ：在tasks.py中找到这个参数方法 def parse_model(d, ch, verbose=True):

关键步骤一：

 关键步骤二：

关键步骤三：

关键步骤四：

五、创建涨点yaml配置文件

🚀创新改进1 : yolo26_StripNet_S.yaml

🚀创新改进2 : yolo26_StripNet_T.yaml

六、更换StripNet主干，正常运行

二、⭐StripNet 主干网络介绍

摘要：随着遥感物体检测的快速发展，检测高纵横比物体仍然是一个挑战性问题。本文提出，使用大型条形卷积可以很好地学习特征表示，并能有效地检测各种纵横比的物体。基于大型条形卷积，我们构建了一个新的网络架构，称为Strip R-CNN，该架构简洁、高效且强大。与最近的一些遥感物体检测器不同，这些检测器使用了带有正方形形状的大核卷积，我们的Strip R-CNN利用顺序正交的大型条形卷积来捕捉空间信息，并将其应用于我们的骨干网络StripNet中。此外，我们通过解耦检测头，并在定位分支中使用条形卷积来增强遥感物体检测器的定位能力。我们在多个基准数据集（如 DOTA、FAIR1M、HRSC2016 和 DIOR）上进