yolov26改进 | Neck篇 | 利用Gold-YOLO改进yolov26对小目标检测能力（全网独家首发）

开始正文前，先向大家推荐我的YOLO专栏系列。本人持续更新 YOLOv8、YOLO11、YOLO26 等热门模型，内容覆盖图像分类、目标检测、实例分割、多目标跟踪、姿态估计与关键点检测，重点讲解 小目标检测、注意力机制、特征融合、损失函数改进、自定义数据集训练、消融实验及论文代码复现。同时分享如何使用 OpenAI Codex辅助撰写论文、配置实验环境、调试项目、改进模型和分析实验结果。 专栏目前正在进行限时优惠，每周更新 5–7篇最新论文机制、YOLO改进方法和实战教程。订阅后可获得包含本人全部改进方案的代码与配置文件，并加入专属技术交流群。我也会定期在群内分享 YOLO论文选题、创新点设计、实验方案、论文写作与投稿发表经验，欢迎大家订阅交流！

一、本文介绍

本文给大家带来的最新改进机制是利用Gold-YOLO中的高效Neck结构改进YOLOv26，以增强模型的多尺度特征交互与融合能力。Gold-YOLO的核心创新是提出了信息聚集—分发机制（Gather-and-Distribute，GD），其首先对来自不同层级的特征进行统一聚集和全局融合，使浅层特征中的纹理、边缘与位置信息能够和深层特征中的高级语义信息充分交互，随后再将融合后的全局信息重新分发到不同尺度的特征层中，从而为各个检测分支提供更加完整、有效的特征表示。相比传统Neck依赖自顶向下和自底向上的逐层传递方式，GD机制能够减少长距离特征传输过程中的信息损失，缩小不同层级之间的语义差距，并增强模型对大、中、小不同尺度目标的适应能力。虽然Gold-YOLO的Neck融合路径相对较长，看起来类似“长颈鹿式”的特征传递结构，但其设计重点并不是简单堆叠模块，而是以较高效率实现全局信息的聚集、交互与再分配，在提升检测性能的同时尽量控制额外延迟。本文将详细介绍GD机制的整体流程、特征对齐方式和融合原理，并结合完整代码与配置文件，手把手讲解如何使用Gold-YOLO Neck替换YOLOv26原有的特征融合网络，同时提供模块注册方法及Codex辅助修改思路。欢迎大家订阅本专栏，每周更新3—5篇最新模型结构和YOLO改进机制，并提供集成本人全部改进方案的工程文件与技术交流群。

欢迎大家订阅我的专栏一起学习YOLO！ 

专栏链接：YOLOv26有效涨点专栏包含：Conv、注意力机制、主干/Backbone、损失函数、优化器、后处理等改进机制

目录

一、本文介绍

二、Gold-YOLO模型原理

 2.1 Gold-YOLO的基本原理

2.2 聚合-分发机制（GD）

2.3  多尺度特征融合

2.4  MAE风格预训练

三、Gold-YOLO核心代码

四、Gold-YOLO使用方式 

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四

4.5 修改五

4.6 修改六

4.7 修改七 

4.8 修改八

4.9 修改九 

4.9.1 未修改主干 

4.9.2 修改主干 

五、Gold-YOLO的yaml文件

5.1 yaml文件

5.1.1 yaml文件1（推荐）

5.1.1 yaml文件2

5.2 运行代码 

5.3 成功运行截图

六、全文总结 

二、Gold-YOLO模型原理

​

论文地址：官方论文地址

代码地址：