一、本文介绍🔥本文给大家介绍将 Sequence Shuffle Attention (SSA) 模块改进YOLO26网络模型，可以显著提升模型的性能。SSA 通过捕捉长程依赖关系、保持图像的局部性与连续性，增强了对复杂场景和小目标的检测能力。同时，SSA 高效地聚合来自不同扫描方向的特征，减少冗余计算，提高了多尺度目标检测的精度和效率。其自适应的注意力机制也帮助 YOLO26 精确分类与定位目标，提升了模型在复杂和干扰环境中的鲁棒性与稳定性。🔥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、SSA序列打乱注意力模块介绍2.1 序列打乱注意力模块（SSA）结构图2.2 SSA 模块的作用：2.3 SSA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_ShuffleAttn.yaml🚀创新改进2: yolo26_C3k2_ShuffleAttn.yaml🚀创新改进3: yolo26_C3k2_MSCSA.yaml六、正常运行二、SSA序列打乱注意力模块介绍摘要：近年来，基于 Mamba 的方法在图像恢复任务中展现了良好的性能。这些方法通常将二维图像展平为多个一维序列（沿行和列），使用选择性扫描操作（SSO）独立处理每个序列，然后重新组合处理后的序列得到输出。然而，这种方法存在两个问题：一是它忽视了自然图像中固有的局部关系和空间连续性，二是它在聚合不同展平方式的序列时没有考虑到序列之间的上下文差异。为了解决这些问题，我们探讨了基于 Mamba 的图像恢复方法中的两个关键问题：i）如何设计一个扫描策略，在恢复过程中既能保留局部性又能保留连续性；ii）如何聚合不同展平方式的序列，以便有效利用其互补信息。为此，我们提出了一种新颖的基于 Mamba 的图像恢复模型（MaIR），该模型包含了嵌套 S 形扫描策略（NSS）和序列打乱注意力模块（SSA）。具体而言，NSS 通过基于条带的扫描区域和 S 形扫描路径，分别保留了局部性和连续性；SSA 则通过计算不同序列对应通道之间的注意力权重来聚合这些序列。得益于 NSS 和 SSA 的结合，MaIR 在14个挑战性数据集上超越了40个基准方法，在图像超分辨率、去噪、去模糊和去雾等任务中达到了