一、本文介绍🔥本文给大家介绍使用 引入SSFModule选择性空间频率模块 改进YOLO26网络模型，SSFModule通过空间域通道选择与频率域位置感知选择，动态融合目标的局部纹理、边缘细节、多尺度结构和全局语义信息，使网络针对不同尺寸、密度及背景区域自适应选择有效特征，从而增强复杂背景下小目标、密集目标和尺度变化目标的表征能力，减少背景噪声与冗余信息干扰，并提高目标定位和分类的准确性；同时，SSF采用分支选择、深度卷积、频率分组和残差连接，在保留原始信息的基础上实现局部与全局特征互补，与YOLO26面向实时端到端检测及小目标优化的设计方向具有较好的协同性，有望在控制计算量的同时进一步提升检测精度、鲁棒性和场景适应能力。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO26创新改进！🔥YOLO26专栏改进目录：全新YOLO26改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、多种组合创新改进、全网独家创新等创新点改进全新YOLO26专栏订阅链接：全新YOLO26创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文本文目录一、本文介绍二、SSFModule选择性空间频率模块介绍2.1 SSFModule选择性空间频率模块结构图2.2SSFModule模块的作用：2.3 SSFModule模块的原理2.4SSFModule模块的优势三、完整核心代码四、手把手教你配置模块和修改tasks.py文件1.首先在ultralytics/nn/newsAddmodules创建一个.py文件2.在ultralytics/nn/newsAddmodules/__init__.py中引用3.修改tasks.py文件五、创建涨点yaml配置文件🚀创新改进1🔥🚀创新改进2🔥六、正常运行二、SSFModule选择性空间频率模块介绍摘要：无人机航拍图像中的目标检测技术已在多种场景中得到广泛应用。然而，无人机航拍图像给检测算法带来了独特挑战，包括复杂的背景环境、显著的尺度变化以及密集分布的小型物体。现有方法主要依赖单域建模或采用全局均匀频率调制策略，难以充分满足不同物体所需的多样化上下文信息需求。为解决这一问题，我们提出 SFS-DETR——一种针对无人机航拍图像的高效检测框架，该框架通过多域学习和自适应选择机制重新定义了上下文建模方法。作为核心架构的选择性空间-频率网络，通过联合空间域与频率域的选择，自适应地整合局部细节特征与全局语义特征，从而有效建模航拍场景中各类物体的多样化上下文特征；同时，我们设计的语义对齐融合机制可有效缓解多尺度特征间的语义错位问题，避免融合过程中小型物体特征被弱化；此外，我们还引入了多分支特征增强器，通过并行增强策略提升小型物体特征与背景之间的区分度。基于VisDrone、 UAVDT 、CODrone、UAVVaste和SIMD