一、本文介绍本文记录的是利用 CFT 模块改进 YOLO26 的多模态目标检测网络模型。CFT（Cross-Modality Fusion Transformer）的设计出发点在于解决传统多模态检测中跨模态特征融合不充分的问题，即当不同模态数据需协同检测时，基于CNN的方法因局部卷积的局限性，难以捕捉长距离依赖和全局模态间的互补信息，导致复杂光照、遮挡等场景下检测精度不足。本文利用CFT模块，将多模态特征序列拼接后自动学习模态内与模态间的交互权重，在特征提取阶段整合全局上下文信息，增强对不同模态互补特征的利用能力，从而提升模型在多模态场景下的检测鲁棒性与准确性。专栏目录：《多模态模型改进》目录一览 | 专栏介绍 ，多模态的全方位改进，提供多模态模型改进完整项目包-开箱即用专栏地址：YOLO系列模型的多模态融合改进——极易上手、非常好发文的多模态改进教程！文章目录一、本文介绍二、CFT模块介绍2.1 设计出发点2.2 核心原理2.3 模块结构2.4 优势三、CFT的实现代码四、融合步骤5.1 修改一5.2 修改二5.3 修改三五、yaml模型文件5.1 模型改进版本1 ⭐5.2 模型改进版本2⭐六、成功运行结果二、CFT模块介绍Cross-Modality Fusion Transformer for Multispectral Object Detection2.1 设计出发点传统基于CNN的多光谱目标检测方法主要通过卷积操作进行特征融合，但卷积的局部感受野限制了其捕捉长距离依赖和全局上下文信息的能力，难以充分挖掘RGB与热成像（Thermal）模态间的互补性。Transformer的自注意力机制可视为全连接图，能学习全局依赖关系，自然适用于跨模态信号的交互融合。现有研究中，Transformer在图像分割、视频检索等领域已展现多模态处理优势，但尚未有工作将其应用于多光谱目标检测。因此，CFT模块旨在利用Transformer的自注意力机制，解决跨模态融合中的长距离依赖和全局信息整合问题。2.2 核心原理CFT模块的核心是通过Transformer的自注意力机制，同时实现模态内（Intra-modality）和模态间（Inter-modality）的特征融合。具体原理如下：特征预处理：将RGB和热成像的特征图F R F_R
