一、本文介绍🔥本文给大家介绍使用 MB-LGFCPM局部-全局特征协同推广模块 改进YOLOv11网络模型，增强模型对局部细节和全局上下文信息的协同建模能力，使 YOLOv11不仅能够保留目标的边缘、纹理和几何结构等细粒度信息，还能通过全局语义关系理解目标与背景、目标与目标之间的空间联系。该模块适合用于小目标密集、尺度变化大、背景复杂的检测场景，可以缓解普通检测模型中局部特征模糊、全局语义不足和上下文信息利用不充分的问题。其优势在于提升小目标和多尺度目标的识别能力，增强复杂背景下的目标区分度，减少误检和漏检，同时通过局部全局互补融合提高模型的检测精度、鲁棒性和泛化能力。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv11创新改进！🔥YOLOv11专栏改进目录：YOLOv11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、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进全新YOLOv11-发论文改进专栏链接：全新YOLOv11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、MB-LGFCPM动态模块下采样模块介绍2.1 MB-LGFCPM局部-全局特征协同推广模块结构图2.2MB-LGFCPM模块的作用：2.3 MB-LGFCPM模块的原理2.4MB-LGFCPM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🔥: yolov11n_MBLGFCPM.yaml🚀创新改进2🔥: yolov11n_MBLGFCPM_DBDM.yaml🔥六、正常运行二、MB-LGFCPM动态模块下采样模块介绍摘要：在遥感图像中检测目标是计算机视觉领域的一项重要子任务，但该任务面临若干挑战：如何减轻高频精细特征的损失、捕捉高效且具有区分度的目标特征，以及提升复杂背景与目标之间的分离能力。为此，我们提出了一种用于遥感目标检测的动态模块与跨域特征协同网络（DBCFS -Net）。首先，我们设计了动态模块下采样模块（DBDM）：其模块划分策略和动态偏移机制克服了刚性下采样导致特征模糊的局限，同时能自适应聚焦关键目标区域以保留高频精细细节；其次，引入了跨域感知特征增强模块（CDAFEM），通过跨域联合建模建立一致性约束，增强模型对尺度变化和复杂背景的适应性，从而保留具有区分度的特征信息；同时利用纹理信息优化来细化目标边界和边缘结构，强化边缘连续性，提升模型的泛化能力和鲁棒性；最后，设计了基于Mamba架构的局部-全局特征协同推广模块（MB-LGFCPM），引导模型将局部细节与全局上下文信息相结合，构建双向“细节语义”增强机制以优化特征表征。这