一、本文介绍本文记录的是利用SDFM 模块改进 YOLO26 的多模态融合部分。SDFM模块（Surface Detail Fusion Module，表层细节融合模块）通过在特征提取网络的浅层引入通道-空间注意力机制，动态生成跨模态特征融合权重。该模块可自适应保留不同模态中的独特信息，抑制背景噪声与光照干扰，实现低层细节的精准对齐与互补增强，为后续检测提供高保真度的底层特征表示，从而提升模型在复杂场景下的目标检测鲁棒性与定位准确性。专栏目录：《多模态模型改进》目录一览 | 专栏介绍 ，多模态的全方位改进，提供多模态模型改进完整项目包-开箱即用专栏地址：YOLO系列模型的多模态融合改进——极易上手、非常好发文的多模态改进教程！文章目录一、本文介绍二、SDFM模块介绍2.1 出发点2.2 结构原理：基于通道-空间注意力的特征调制2.2.1 核心组件与流程2.3 关键技术特点三、SDFM的实现代码四、融合步骤4.1 修改一4.2 修改二4.3 修改三五、yaml模型文件5.1 中期融合⭐5.2 中-后期融合⭐5.3 后期融合⭐六、成功运行结果二、SDFM模块介绍Rethinking the necessity of image fusion in high-level vision tasks: A practical infrared and visible image fusion network based on progressive semantic injection and scene fidelity2.1 出发点解决浅层特征融合的局限性：传统像素级融合（如直接叠加）易导致细节冗余或丢失，而SDFM通过通道-空间注意力机制动态调整特征权重，实现“结构保留”与“噪声抑制”的平衡。为高层语义融合奠定基础：确保浅层特征中的目标位置（如红外热目标）与可见光场景结构（如建筑物轮廓）准确对齐，避免高层语义注入时出现位置偏差。2.2 结构原理：基于通道-空间注意力的特征调制2.2.1 核心组件与流程SDFM模块的架构如图所示，主要包含以下步骤：