近年来视觉 Transformer 凭借自注意力实现全局感受野，在多项视觉任务上超越传统 CNN，而 CNN 单纯放大卷积核会快速陷入过参数化与性能饱和，难以高效获得全局感受野；同时传统卷积偏向高频纹理特征，对低频形状信息捕捉不足，小波变换作为经典时频分析工具，可在保留空间分辨率的同时实现多频带分解，为突破 CNN 感受野与参数效率瓶颈提供了信号处理层面的可行路径，WTConv 正是在此背景下提出的轻量化大感受野卷积方案。     

1.WTConv原理    

       WTConv 以小波变换为核心，将输入特征经级联小波分解为低频与多方向高频分量，在各频带特征上采用小核深度卷积进行处理，再通过逆小波变换重建输出；其关键优势在于感受野随分解层级指数级扩大，而参数量仅随层级线性增长，实现超大感受野且无过参数化，同时强化低频形状特征提取，兼顾空间局部性与频域多尺度特性，可直接替换现有 CNN 中的深度卷积层。

• 多级小波分解：以 Haar 小波为基础，对输入特征递归分解，每级输出 1 个低频子带与 3 个高频子带，逐级下采样并拓宽感受野。

• 频域小核卷积：在各级高低频子带分别采用 3×3/5×5 小核深度卷积，独立学习各频带特征，计算量低且参数可控。

• 逆小波重建：利用线性叠加特性，自底向上融合各级频域卷积结果，经逆小波变换恢复原尺度特征图，输出多频带增强的大感受野特征。

• 通道加权：对不同频带输出做通道维度缩放，自适应平衡高低频贡献，提升特征表达稳定性。

2. YOLO与WTConv的结合     

    将 WTConv 嵌入 YOLO，可在保持轻量化与实时性的前提下，大幅拓宽网络感受野，兼顾多尺度目标的细节与全局特征，提升小目标、密集目标与复杂背景下的检测精度。其高低频分离特性增强模型对形状的判别能力，降低纹理干扰，同时参数量与计算量增幅极小，不影响端侧部署与推理速度。

3.WTConv代码部分

YOLO26 杀疯了：性能 Double + 无 NMS/DFL，更快更强更轻量的检测「新爹」_哔哩哔哩_bilibili

YOLO26 杀疯了：性能 Double + 无 NMS/DFL+小目标标签分配策略，更快更强更轻量的小目标检测_哔哩哔哩_bilibili

用一篇论文教您如何使用YOLOv11改进模块写一篇1、2区论文_哔哩哔哩_bilibili

 代码获取：YOLOv8_improve/YOLOV12.md at master · tgf123/YOLOv8_improve · GitHub

4. WTConv引入到YOLO26中

 
第一: 先新建一个change_model，如下图如所示。

      将代码复制到change_model里面

第二：在task.py中导入包

 ​​​                     ​​​​​​​       

第三：在task.py中的模型配置部分下面代码

                           ​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​     ​​​​​​​​​​​​​​

第四：将模型配置文件复制到YOLOV11.YAMY文件中

        ​​​​​​​​​​​​​​​​​​​​​ ​​​​​​​ ​​​​​​​ ​​​​​​​ ​​​​​​​ ​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​      

     ​​​​​​​ ​​​​​​​​​​​​​​ ​​​​​​​ ​​​​​​​​​​​​​第五：运行代码

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld

if __name__=="__main__":

    # 使用自己的YOLOv12.yamy文件搭建模型并加载预训练权重训练模型
    model = YOLO(r"/home/tgf/tgf/yolo/model/YOLO26/ultralytics/cfg/models/26/yolo26_WTConv.yaml")
        # .load(r'E:\Part_time_job_orders\YOLO_NEW\YOLOv12\yolo12n.pt')  # build from YAML and transfer weights

    results = model.train(data=r"/home/tgf/tgf/yolo/model/YOLO26/ultralytics/cfg/datasets/VOC_my.yaml",
                          epochs=300,
                          imgsz=640,
                          batch=32,
                          optimizer="MuSGD",
                          # cache = False,
                          # single_cls = False,  # 是否是单类别检测
                          # workers = 0,
                         # resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',
                          amp = True
                          )