YOLO26改进：风车状卷积与动态损失函数提升红外小目标检测

1. 项目概述

在计算机视觉领域，红外小目标检测一直是个颇具挑战性的任务。这类目标通常只占据几个像素，信噪比极低，传统卷积神经网络很难有效捕捉其特征。最近我在改进YOLO26模型时，尝试了一种名为风车状卷积（PConv）的新型结构，配合基于尺度的动态损失函数（SD Loss），在IRSTD-1K和SIRST-UAVB数据集上都取得了显著提升。本文将详细分享这次改进的具体实现和实战经验。

2. 核心原理与技术解析

2.1 风车状卷积（PConv）设计理念

标准卷积在处理红外小目标时存在明显局限：对称的卷积核和填充方式无法匹配目标像素的高斯分布特性。PConv的创新点在于其独特的不对称结构设计：

1. 风车状核布局：通过将卷积核分解为多个旋转对称的子核，形成类似风车的放射状结构
2. 动态感受野：每个子核具有不同的感受野，组合后能覆盖更广且更具方向性的区域
3. 参数效率：采用分组卷积技术，仅增加约15%的参数就实现了3倍以上的有效感受野扩展

实测发现，这种结构对点状目标和微小线性目标的特征提取效果尤为突出。在SIRST-UAVB数据集上，PConv使小目标的召回率提升了8.3%。

2.2 基于尺度的动态损失（SD Loss）

传统损失函数对不同尺寸目标的优化存在明显偏差：

SD Loss的创新在于引入动态权重调整机制：

python复制def scale_aware_weight(target_size):
    base_size = 8  # 基准尺寸
    alpha = 0.5    # 位置权重系数
    beta = 1.5     # 尺度权重系数
    scale = target_size / base_size
    loc_weight = alpha * (1 + torch.log(scale))
    size_weight = beta * (1 - torch.lo