一、本文介绍🔥本文给大家介绍利用 InfSA无限自注意力模块改进YOLOv12网络模型，能够增强模型对全局上下文和长距离依赖关系的建模能力，弥补传统卷积对复杂场景表达不足的问题，从而提升小目标、密集目标和遮挡目标的检测精度与鲁棒性。同时，InfSA具备较好的高分辨率适应能力和更高的计算效率，能够在控制开销的前提下进一步提升YOLOv12的整体检测性能与泛化能力。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv12创新改进！🔥YOLOv12专栏改进目录：YOLOv12改进包含各种卷积、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、A2C2f二次创新、独家创新等几百种创新点改进。全新YOLOv12改进专栏订阅链接：全新YOLOv12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、InfSA无限自注意力模块介绍2.1 InfSA无限自注意力模块结构图2.2 InfSA无限自注意力模块的作用2.3 InfSA无限自注意力模块的原理2.4 InfSA无限自注意力模块的优势三、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​编辑3.修改tasks.py文件五、创建涨点yaml配置文件🚀创新改进1🔥: yolov12n_InfSA.yaml🚀创新改进2🔥: yolov12n_InfSA-2.yaml🚀创新改进3🔥: yolov12n_A2C2f_InfSA.yaml六、正常运行二、InfSA无限自注意力模块介绍摘要：softmax注意力机制的二次成本限制了Transformer在高分辨率视觉任务中的扩展性。我们提出无限自注意力（InfSA）框架，这是一种谱重构方法，将每个注意力层视为内容自适应标记图上的扩散步骤，通过注意力矩阵上的折现诺伊曼级数累积多跳交互作用。该框架将自注意力机制与经典图中心性度量（Katz、PageRank和特征向量中心性）相结合，生成可解释且结构合理的标记权重。进一步研究表明，该诺伊曼核函数与吸收马尔可夫链的基本矩阵[30,44]一致，将每个标记的中心性得分与其在吸收前的随机游走访问次数预期值相关联。基于此，我们提出线性InfSA变体O(N)算法，无需构建N×N矩阵即可近似隐式注意力算子的主特征向量。该算法维护固定大小O(dh)的辅助状态（dh为独立于序列长度N的头维度），与标准Vision Transformer实现无缝集成，支持40962分辨率下的稳定前向/后向传播及92162分辨率（约33.2万个标记）下的推理。集成到参数5350万、59 GFLOPs计算能力的4层ViT模型中时，Linear-InfS