YOLOv13涨点改进 | 全网独家创新、检测头Head改进篇 | | AAAI 2026 | 使用PATConv改进YOLOv13的检测头，通过并行的卷积和注意力机制，处理小物体、遮挡小目标检测有效

一、本文介绍

🔥本文给大家介绍使用 PATConv 模块改进 YOLOv13 的检测头中，通过并行的卷积和注意力机制，显著提升了检测精度和推理速度。PATConv 增强了特征图通道和空间的交互，能够更有效地捕捉全局信息，尤其在处理小物体、遮挡物体和复杂背景时表现更佳。同时，动态调整计算复杂度的机制提升了模型的适应性和灵活性，使得检测头能够在保证高精度的同时，加快推理速度，优化速度与精度的平衡，特别适用于实时目标检测任务。

专栏改进目录：YOLOv13改进包含各种卷积、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、HyperACE二次创新、独家创新等几百种创新点改进。

全新YOLOv13创新—发论文改进专栏链接：全新YOLOv13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

展示YOLOv13改进后的网络结构图、供小伙伴自己绘图参考：

🚀 创新改进结构图: yolov13n_PATHead.yaml

本文目录

一、本文介绍

二、PATConv部分注意力卷积介绍

2.1 PATConv的网络结构图

2.2 PATConv的原理

 2.3 PATConv的优势

三、 v13Detect_PATHead完整核心代码

 四、手把手教你添加检测头改进模块步骤

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ultralytics\nn\tasks.py文件

修改一：

修改二：

修改三：

修改四： 

五、创建v13Detect_PATHead检测头yaml配置文件

🚀创新改进: yolov13n_PATHead.yaml 

六、正常运行

---

二、PATConv部分注意力卷积介绍

摘要：设计一个模块或机制，使网络在保持较低参数量和FLOPs的同时，不牺牲精度和吞吐量，仍然是一个挑战。为了解决这一挑战并挖掘特征图通道内的冗余，我们提出了一种新方案：部分通道机制（PCM）。具体而言，通过分割操作，特征图通道被划分为不同部分，每部分对应不同操作，如卷积、注意力、池化和恒等映射。基于这一假设，我们引入了一种新颖的部分注意力卷积（PATConv），可以高效地将卷积与视觉注意力结合。我们的研究表明，PATConv可以完全替代常规卷积和常规视觉注意力，同时降低模型参数和FLOPs。此外，PATConv可以衍生出三种新类型的模块：部分通道注意力模块（PAT ch）、部分空间注意力模块（PAT sp）和部