绿色线条为添加SFHF模块后的效果，map提升7.66，准确率提升9.11
通过SFHF_FourierUnit对输入进行傅里叶变换，提取频域特征，再利用TokenMixer_For_Local和TokenMixer_For_Gloal分别处理局部和全局特征，进行特征融合。通过卷积操作与残差连接增强信息流。SFHF_Block包含标准化层、特征混合层和前馈网络，实现高效的特征表示学习。模型最终通过多个SFHF_Block进行堆叠，提升表示能力。
文章目录
- 移植
- 创建ultralytics\cfg\models\v13\yolov13-SFHF.yaml
- 修改ultralytics\nn\tasks.py
- 修改ultralytics/nn/modules/__init__.py
- 修改ultralytics\nn\modules\block.py
- 训练
- 原理介绍
- 1. 模块整体概述
- 2. 频域特征提取（SFHF\_FourierUnit）
- 3. 局部特征建模（TokenMixer\_For\_Local）
- 4. 全局特征建模（TokenMixer\_For\_Gloal）
- 5. 局部与全局融合（SFHF\_Mixer）
- 6. 多尺度前馈网络（SFHF\_FFN）
- 7. 基本构建单元（SFHF\_Block）
移植
创建ultralytics\cfg\models\v13\yolov13-SFHF.yaml
nc:80 # number of classesscales:# model compound scaling constants,i.e.'model=yolov13n.yaml'will call yolov13.yaml with scale'n'# [depth,width,max_channels]n:[0.50
