YOLO双backbone改进 使用MambaOut 主干替换原backbone

         近年来，Mamba 架构凭借状态空间模型（SSM）实现了长序列数据的线性复杂度处理，但其在视觉任务中存在明显局限：SSM 的因果递归机制限制了全局信息整合，且对短序列场景（如常规图像分类、目标检测）存在计算冗余。研究表明，视觉任务（尤其是非自回归的检测任务）更依赖局部特征提取与并行计算能力，而非 Mamba 的长序列建模优势。因此，MambaOut 通过移除 SSM、仅保留门控 CNN 块，构建了更适配视觉任务的轻量化架构，在 ImageNet 分类中已验证其性能超越含 SSM 的视觉 Mamba 模型。

1.MambaOut 原理

MambaOut 的核心理论基于对视觉任务特性的拆解：

        非自回归特性：目标检测需一次性处理整幅图像，无需 Mamba 的因果约束（仅前向信息流动），门控 CNN 的并行计算更贴合任务需求；

        短序列主导：常规检测输入（如 640×640 像素）的 token 长度远小于 SSM 的长序列优势阈值，移除 SSM 可避免无效计算；

        局部特征优先：检测任务对目标边缘、纹理等局部特征敏感度高，门控 CNN 通过动态特征筛选（如 7×7 深度卷积 + 门控机制）强化关键信息提取，抑制背景噪声。

MambaOut 采用分层架构，与 ResNet 类似但模块更轻量：

        基础单元：门控 CNN 块（含深度卷积、门控线性单元 GLU），通过 “卷积特征 × 门控信号” 实现特征自适应筛选；

        层级配置：4 阶段堆叠门控 CNN 块，逐步扩大感受野（如 Small 版本为 3-4-27-3 块数配置），通道数从 96 递增至 576；

        轻量化特性：参数规模较同尺寸 Mamba 模型减少 40%-60%，MACs 降低 30% 以上，适配边缘计算。

2. YOLO与MambaOut 的结合   

       MambaOut 替换 YOLObackbone 可借助其高效长序列建模能力，增强对多尺度目标的上下文关联捕捉，在保持计算效率的同时提升复杂场景下小目标检测精度，且结构更适配并行计算，利于模型轻量化部署。 

3. MambaOut 代码部分

YOLO双backbone讲，使用Mambaout替换YOLO backbone，可用于单模态和双模态检测，提高精度_哔哩哔哩_bilibili

 代码获取：tgf123/YOLOv8_improve

4. MambaOut 双backbone引入到YOLO中

双backbone系列，直接下载运行，避免添加的麻烦。