4 选 2 专家路由

给 Ultralytics YOLO 装上稀疏专家混合¶

一个调用接进官方 ultralytics，路由的平衡项进入反向传播。站内每个数字都对应 results/ 里的一条实验记录。

每张图从 4 个专家里选 2 个

一个调用装上equip 把块接进配置、重编号层引用、接好损失；YOLOv5 至 YOLO26 七代官方主干与 YOLO-Master 分支都能用。
辅助损失进入反向传播训练表里 esmoe_aux 自成一列，由单元测试与 scripts/verify.py 的十项真训练检查断言。
与 YOLO-Master 作用一致同一个 yolo-master-n、同一份协议：块在上游分支上加 +0.0104，在官方 ultralytics 加本包上加 +0.0095（FP32，各 3/3），两者之差落在等效档。

142次满协议训练，600 卡时

7代官方主干，另有 yolo-master-n

335项测试，含与上游、论文的数值对照

11次先于结果提交的预登记

教程安装、三个调用、嫁接与重编号、对照实验怎么做 APIequip、graft、attach_aux_loss 与 ESMoE 的全部参数 ES-MoE 与 YOLO块比普通 YOLO 多了什么，训练与推理怎么算，与 YOLO-Master 逐项对照实验数据集、协议、流程、八轮实验与同配置对照，每个结论配一张图 效果图七代主干上逐 seed 的配对差 判读线每一轮先写判据与预测，再写判定

在 Colab 里打开快速上手：安装、接入、训练，在日志里看到 esmoe_aux 列，全程在免费 GPU 上完成。

安装¶

pip install esmoe

分发名、导入名与命令行名都是 esmoe。

使用¶

import esmoe

model = esmoe.equip("yolo11n.yaml", weight=0.01)   # 注册 + 嫁接 + 构建 + 接损失
model.train(data="coco8.yaml", epochs=10)

分步调用、命令行与手写配置见教程。

兼容性¶

主干	构建与前向	嫁接进配置	训练中的辅助损失	满协议运行
YOLOv5	是	是	是	是
YOLOv8	是	是	是	是
YOLOv9	是	是	是	是
YOLOv10	是	是	是	是
YOLO11	是	是	是	是
YOLO12	是	是	是	是
YOLO26	是	是	是	是
YOLO-Master（分支）	是	是	是	否

由 tests/test_ultralytics.py 在 ultralytics 8.4.101 与最新发布版上验证（CI 矩阵），两者的 loss items 形态不同，均已处理。训练一列由四代主干上真实的 1-epoch VisDrone 训练与七代主干上 120 epoch 的协议运行共同支撑，日志里 train/esmoe_aux 均非零；每一行的嫁接与前向都在 CI 里跑。YOLO-Master 一行跑在该分支自带的 ultralytics 上：scripts/fork_smoke.py 嫁接进它的 yolo-master-n.yaml、真实训练一轮且 esmoe_aux 非零，它自己的 ES_MOE 配置与本块共存。分支上的同配置对照训练的是上游自己的块，本包的块在官方 ultralytics 上训练 yolo-master-n，所以最后一列为否。

默认配置¶

ESMoE(num_experts=4, top_k=2) 配 attach_aux_loss(weight=0.01)。在 25% 训练集、640 像素、20 epoch 的统一预算下，它胜过 2 专家、8 专家、top-1 与关掉辅助损失的变体；在全量 VisDrone 上以同样的 20 epoch、640 像素、三个 seed 确认：配对 3/3 胜，mAP50 +0.0021，YOLOv8n 上参数增加 10.4%。协议预算（800 像素、120 epoch）下，YOLOv8n 默认接法为 +0.0025、2/3。论证见选型。