核心组件大换血：Backbone与Neck魔改篇：YOLO26魔改C3/C4模块：引入Bottleneck Transformer增强局部自注意力

一、引言：为什么C3/C4模块需要“换血”？

YOLO系列目标检测模型发展至今，CSP（Cross Stage Partial）架构始终是Backbone和Neck的核心设计范式。从YOLOv5的C3到YOLOv8的C2f，再到YOLO11中灵活化的C3k/C3k2变体，CSP模块一直在追求更高效的特征提取能力。然而，一个结构性问题始终存在：纯卷积操作在长距离依赖建模上的能力天花板。

标准的C3/C2f模块内部充斥着3×3卷积的Bottleneck单元，它们擅长捕获局部纹理和边缘信息，但在面对遮挡、密集排布或大尺度变化的目标时，感受野受限的卷积层难以建立起跨区域的特征关联。根据Journal of Electrical Engineering & Technology在2025年8月发表的一项研究，研究人员将Multi-Head Self-Attention（MHSA）与C3模块结合，构造出Cross-Stage Partial Bottleneck Transformer（CSP BoT），以增强模型对绝缘子及其缺陷特征与周围环境之间关系的分析能力。这一思路在2025年初的YOLOv11改进实践中也得到了验证——Bottleneck Transformer（BoT）模块通过将标准卷积与自注意力相结合，有效提升了模型的全局感知能力。

本文的核心命题是：如何在YOLO26这一最新架构中，将Bottleneck Transformer引入C3/C4模块实现“魔改”，在几乎不增加推理负担的前提下，显著增强局部自注意力建模能力。我们将从架构原理、代码实现、部署