YoloV8改进策略：Block改进|轻量级的Mamba打造优秀的YoloV8|即插即用，简单易懂|附Block结构图|检测、分割、关键点均适用（独家原创）_mamba yolo

摘要

无Mamba不狂欢，今天给大家带来一个基于轻量级Mamba的改进。模块简单易懂，即插即用！ 带领大家去征服更高的领域。

论文：《LightM-UNet：Mamba 辅助的轻量级 UNet 用于医学图像分割》

https://arxiv.org/pdf/2403.05246.pdf
UNet及其变体在医学图像分割中得到了广泛应用。然而，这些模型，特别是基于Transformer架构的模型，由于参数众多和计算负载大，使得它们不适合用于移动健康应用。最近，以Mamba为代表的状态空间模型（SSMs）已成为CNN和Transformer架构的有力竞争者。在此基础上，我们采用Mamba作为UNet中CNN和Transformer的轻量级替代方案，旨在解决真实医疗环境中计算资源限制带来的挑战。为此，我们引入了轻量级Mamba UNet（LightM-UNet），将Mamba和UNet集成在一个轻量级框架中。具体来说，LightM-UNet以纯Mamba的方式利用残差视觉Mamba层来提取深层语义特征并建模长距离空间依赖关系，具有线性计算复杂度。我们在两个真实世界的2D/3D数据集上进行了大量实验，结果表明LightM-UNet超越了现有最先进的文献方法。特别是与著名的nnU-Net相比，LightM-UNet在显著提高分割性能的同时，参数和计算成本分别降低了116倍和21倍。这凸显了Mamba在促进模型轻量化方面的潜力。我们的代码实现已公开在https://github