【RT-DETR涨点改进】全网独家首发、主干改进篇 | AAAI 2026 | PartialNet 主干让 RT-DETR 更加强大！引入部分通道机制 和 部分注意力卷积，全方面提升目标检测性能

一、本文介绍

⭐本文介绍将 PartialNet 改进RT-DETR的主干网络，通过引入 部分通道机制（PCM） 和 部分注意力卷积（PATConv），显著提升了计算效率和推理速度，同时保持了较高的检测精度。PartialNet 通过拆分特征图通道并对不同部分应用不同的操作，减少了计算量和内存占用，提升了推理速度，特别适用于实时目标检测任务。此外，动态部分卷积（DPConv）使得模型能够根据任务需求自适应调整计算复杂度，从而实现精度与速度的更好平衡，增强了RT-DETR在目标检测中的表现，尤其在边缘设备和计算资源有限的场景下具有明显优势。

包含3种主干改进: PartialNet_s, PartialNet_m, PartialNet_l

🔥RT-DETR创新改进目录：全新RT-DETR 有效涨点改进目录 | 包含各种卷积、主干改进、各种注意力机制、Neck特征融合改进、损失函数、AIFI创新改进、独家创新、小目标检测、特殊场景检测等最全大论文及小论文必备创新改进点

🔥全新RT-DETR创新改进专栏地址：最全RT-DETR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、⭐PartialNet 主干网络介绍

⭐ PartialNet 主干架构图

⭐ PartialNet 主干的核心优势体现在以下几个方面：

1.核心原理：

2.主要组成和功能：

3.PartialNet 的优势：

三、PartialNet主干的核心代码

四、手把手教你添加PartialNet主干网络结构和修改task.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task.py文件 ：在task.py中找到这个参数方法 def parse_model(d, ch, verbose=True):

关键步骤一：

关键步骤二：

关键步骤三：

关键步骤四：

五、创建涨点yaml配置文件

🚀创新改进1 : rtdetr-l-PartialNet_s.yaml

🚀创新改进2 : rtdetr-r18-PartialNet_s.yaml

🚀创新改进3 : rtdetr-r50-PartialNet_s.yaml

六、更换PartialNet主干，正常运行

---

 

二、⭐PartialNet 主干网络介绍

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