0. 前言本文介绍UPT（Uncertainty-Prior Transformer）不确定性先验Transformer模块，并将其集成到Ultralytics最新发布的YOLOv26目标检测算法中，构建C3k2_UPT创新模块。UPT是一种以不确定性感知为核心驱动的轻量化Transformer架构，通过双记忆银行机制对不同区域进行差异化特征增强，旨在解决复杂退化场景下目标检测模型对空间异质性扰动适应性不足的问题。将UPT嵌入YOLOv26的C3k2模块中，能够赋予模型对局部区域“恢复置信度”的动态感知能力，显著增强在非均匀光照、雾霾散射、运动模糊及水下光学畸变等空间变化退化条件下的特征鲁棒性，尤其适用于全天候智慧交通监控、复杂海洋环境探测、以及无人机低空巡检等对模型环境泛化能力与边缘部署效率要求严苛的工业场景，在保持实时检测吞吐量的同时，系统性提升对纹理退化目标的召回率与定位精度。专栏链接：YOLO系列算法改进专栏链接专栏文章：YOLO26改进系列 | 卷积篇、轻量化、注意力、损失函数、Backbone、SPPF、C2PSA、Neck、检测头全方面保姆级优化合集 | 同样适配YOLOv11改进！！！目录0. 前言1.UPT模块简介2.UPT模块原理与创新点🧠UPT模块基本原理🎯 UPT模块创新点3.具体改进步骤🍀🍀步骤1：创建C3k2_UPT.py文件🍀🍀步骤2：tasks.py文件修改🍀🍀步骤3：创建YAML配置文件🍀🍀步骤4：新建train.py文件训练模型🍀🍀步骤5：模型结构打印结果1.UPT模块简介我们提出了一种轻量级的不确定性感知上下文记忆网络（UCMNet），用于屏下摄像头图像恢复。不同于以往采用统一恢复的方法，UCMNet通过不确定性感知的自适应处理，在退化程度各异的空间区域恢复高频细节。通过不确定性驱动的损失函数学习得到的估计不确定性图，量化了由衍射和散射引起的空间不确定性，并引导记忆银行从上下文银行中检索区域自适应上下文。这一过程使得UCMNet能够有效建模屏下摄像头成像固有的非均匀退化特性。利用这种不确定性作为先验，UCMNet在多个基准测试上取得了最先进的性能，同时参数量比以往模型减少了30%。原始论文：https://arxiv.org/pdf/2604.00381原始代码：