一、本文介绍本文记录的是利用ViT（Vision Transformer）作为Backbone改进YOLOv10的特征提取部分。ViT通过自注意力机制实现全局特征建模。二、ViT模块介绍2.1 设计出发点传统卷积神经网络缺乏全局建模能力，ViT通过自注意力机制实现全局特征交互。2.2 模块结构ViT块：图像分块：将图像划分为多个patch线性投影：将每个patch映射到特征向量位置编码：添加位置信息多头自注意力：捕获全局依赖前馈网络：非线性变换三、ViT的实现代码importtorchimporttorch.nnasnn