YOLO26 + BiFPN：多尺度特征融合

YOLO26 + BiFPN：多尺度特征融合

YOLO26 的 Neck 有几种不同的实现。这篇单独说说 YOLO26 + BiFPN 这个版本——只升级 Neck，不动检测头。

什么是 BiFPN

BiFPN 来自 Google 的 EfficientDet 论文，是 FPN 的增强版。

标准 FPN：自上而下，把高层的语义信息往下传

BiFPN：双向融合，既往下传语义，也往上传细节

这样做的好处：每一层特征都能同时获得来自高层和低层的信息。

YOLO26-BiFPN 的结构

三个模块：

• Backbone：特征提取
• Neck：多尺度特征金字塔
• Head：耦合检测头

SimplePyramid 怎么做的

class SimplePyramid(nn.Module):
    def forward(self, x):
        # x 是 backbone 输出的单尺度特征 (C=512)
        p5 = self.proj5(x)      # 512 → 512
        p4 = self.proj4(p5)     # 512 → 512
        p3 = self.proj3(p4)    # 512 → 256

        return [p3, p4, p5]   # P3/P4/P5

其实这里叫 BiFPN 有些夸张了——更准确地说是一个简化版的 FPN。真正的 BiFPN 有双向加权特征融合，这里的 SimplePyramid 用的是单向上采样。

和原版 YOLO26 Neck 的对比

原版 YOLO26 用的是 PAFPN（带有自顶向下和侧向连接的特征金字塔）。YOLO26-BiFPN 做了一个简化：

这个版本更像是一个**"轻量级 FPN"**，适合想减少 Neck 参数量的情况。

训练配置

backbone_type: "yolo26m"
pyramid_channels: [256, 512, 512]
reg_max: 16
freeze_backbone: 0

lr0: 0.0005
weight_decay: 0.0005

mosaic: 0.8
mixup: 0.1

配置和原版 YOLO26 差不多，没有额外的超参数需要调。

什么时候用这个版本

适合的场景：

• 想试试 BiFPN 风格的 Neck
• 不想引入 Decoupled Head 的额外复杂度
• 想要比 PAFPN 更轻量的实现

不太适合的场景：

• 追求最高精度（原版 PAFPN 更好）
• 多尺度目标检测（真正的双向融合更合适）

以上是 YOLO26 + BiFPN 方案的一些整理。这是一个轻量级的 Neck 升级方案，适合不想大改检测头、又想尝试多尺度特征融合改进的场景。