一、本文介绍🔥本文给大家介绍使用 MWHL最大池化-小波下采样 改进YOLO26网络模型，在下采样阶段同时融合最大池化与小波变换的优势，在保留强响应语义信息的同时有效维持特征的结构细节，从而缓解传统下采样过程中小目标特征易丢失的问题。该模块通过频域与空间域信息的协同建模，使网络在多尺度特征提取过程中获得更加稳定且具有判别力的表示，显著提升对小目标和弱目标的感知能力，并增强在复杂背景下的抗干扰能力。在不过多增加计算开销的前提下，MWHL能够有效提高YOLO26的特征表达质量与检测精度。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO26创新改进！🔥YOLO26专栏改进目录：全新YOLO26改进专栏包含卷积、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、多种组合创新改进、全网独家创新等创新点改进全新YOLO26专栏订阅链接：全新YOLO26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、MWHL最大池化-小波下采样介绍2.1 MWHL最大池化-小波下采样结构图2.2MWHL模块的作用：2.3 MWHL模块的原理2.4MWHL模块的优势三、完整核心代码四、手把手教你配置模块和修改tasks.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tasks.py文件五、创建涨点yaml配置文件🚀创新改进1🔥: yolo26_MWHL.yaml🚀创新改进2🔥: yolo26_MWHL-2.yaml.yaml六、正常运行二、MWHL最大池化-小波下采样介绍摘要：红外小目标检测（IRSTD）对军事安全应用具有关键意义。尽管U型架构提升了基准性能，现有方法仍存在两大核心局限：1）对微小目标的空间感知能力不足导致目标定位丢失；2）深度特征重建过程中存在边缘退化与语义模糊问题。为解决这些问题，我们提出PQGNet架构并包含以下创新：为增强空间感知能力并优化特征融合引导，我们引入感知查询监督机制（PQSM），该机制通过感知损失约束各编码器层的空间特征学习。感知特征构建模块（PFCM）通过增强感知特征保留目标定位信息，而感知查询引导模块（PQGM）采用交叉注意力机制，通过跳跃连接引导全局与区域特征查询，优化目标特征提取。为缓解重建退化与语义模糊问题，我们突破现有小波方法仅替换池化层的局限，设计了最大池化-小波混合层（MWHL）与高频增强小波层（HEWL），利用离散小波变换特性通过浅层高频细节强化深度语义表征。针对 NUDT - SIR