前言本文介绍了轻量级的Mixed Local Channel Attention（MLCA）模块及其在YOLO26中的结合应用。MLCA模块同时考虑通道、空间、局部和全局信息，其输入特征先经局部池化，再通过两个分支分别处理全局与局部信息，最后经一维卷积、反池化融合信息。该模块能提取局部空间信息、捕获通道交互信息，并避免通道维度减少导致的精度损失。基于此模块提出的MobileNet - Attention - YOLO（MAY）算法，在Pascal VOC和SMID数据集上，相比其他注意力技术，能更好平衡模型表示效果、性能和复杂度，mAP有所提升。我们将MLCA集成进YOLO26，实验展现了其有效性。文章目录： YOLO26改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总专栏链接: YOLO26改进专栏文章目录前言介绍摘要文章链接基本原理**结构**：**工作原理**：核心代码YOLO26引入代码tasks注册步骤1:步骤2配置yolo26-MLCA.yaml实验脚本结果介绍摘要本项目提出了一种轻量级的混合局部通道注意力机制（Mixed Local Channel Attention, MLCA），该模块通过同时整合通道信息和空间信息，并有效结合局部特征与全局上下文，显著提升了网络表征能力。基于该注意力模块，我们进一步设计了MobileNet-Attention-YOLO（MAY）算法框架，用于系统性地比较各类注意力机制的性能表现。在PASCAL VOC和SMID数据集上的实验结果表明，MLCA模块相较于其他注意力技术，在模型表征效果、计算性能和复杂度之间实现了更优的平衡。与PASCAL VOC数据集上的Squeeze-and-Excitation（SE）注意力机制相比，平均精度均值（mAP）提升了1.0%；与SMID数据集上的Coordinate Attention（CA）方法相比，mAP提升了1.5%，充分验证了所提出方法的有效性和优越性。文章链接论文地址：论文地址代码地址：