YOLOv13涨点改进 | 全网独家创新、检测头Head改进篇 | AAAI 2026 | 使用StripConvHead改进YOLOv13的检测头，处理小物体、遮挡小目标检测有效涨点

一、本文介绍

🔥本文给大家介绍使用StripConv条形卷积改进 YOLOv13的检测头，可以显著提高模型在高纵横比物体检测、目标定位和多尺度物体检测方面的表现。StripConv条形卷积能够更有效地捕捉细长物体的特征，提升定位精度，并通过简化卷积核设计减少计算冗余，优化计算效率。此外，该改进增强了 YOLOv13对复杂场景和实时任务的适应能力，特别适用于遥感图像目标检测、小目标检测等领域。具体怎么使用请看全文。

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

本文目录

一、本文介绍

二、⭐StripConv条形卷积介绍

⭐ Strip R-CNN 架构设计

⭐ StripNet主干的核心优势体现在以下几个方面：

1.条形卷积的高效性

2. 简洁且高效

3. 增强的定位精度

4. 适应多种数据集

5. 轻量化设计

三、 v13Detect_StripConvHead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_StripConvHead检测头yaml配置文件

🚀创新改进: yolov13n_StripConvHead.yaml 

六、正常运行

---

 

二、⭐StripConv条形卷积介绍

摘要：随着遥感物体检测的快速发展，检测高纵横比物体仍然是一个挑战性问题。本文提出，使用大型条形卷积可以很好地学习特征表示，并能有效地检测各种纵横比的物体。基于大型条形卷积，我们构建了一个新的网络架构，称为 Strip R-CNN，该架构简洁、高效且强大。与最近的一些遥感物体检测器不同，这些检测器使用了带有正方形形状的大核卷积，我们的 Strip R-CNN 利用顺序正交的大型条形卷积来捕捉空间信息，并将其应用于我们的骨干网络 StripNet 中。此外，我们通过解耦检测头，并在定位分支中使用条形卷积来增强遥感物体检测器的定位能力。我们在多个基准数据集（如 DOTA、FAIR1M