引入注意力机制

上节介绍了如何修改网络结构，本节开始引入注意力机制
首先就还是按照上节的流程，借鉴一个代码，借鉴网站https://github.com/ZhugeKongan/Attention-mechanism-implementation，源码下载完成后，按照以下流程进行操作。

• models/commons.py —加入新增的网络结构
• models/yolov5*.yaml––修改现有模型的配置文件
  -当引入新的层时，要修改后续的结构中的from参数
• models/yolo.py––设定网络结构的传参
  -当新的定义模块中存在输入输出维度时，要用gw调整输出维度
• train.py––训练时指定模型的配置文件

1. STEP1 加入新增的网络结构

打开下载好的借鉴代码，找到SE_block.py文件打开

导入发现，F报错，这是因为借鉴的SE代码当中自定义了F，我们需要把定义的那部分也加进来

将此行添加到common.py中的import部分。

2. STEP2 加入新增的网络结构

首先，复制一份yolov5s.yaml文件重命名为SE-yolov5s.yaml

同时注意head这一部分，
画框部分只要是大于9的数字均要加1，因为将SE加在了第十层，这就导致十层以后的的层数要加1，图中原本为[1,14],改完之后变为[1，15]，更改完代码如下，可以观察一下

head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 15], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 11], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[18, 21, 22], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

3. STEP3 设定网络结构的传参

打开yolo.py文件

将上述代码添加到yolo.py文件中

4. STEP4 训练时指定模型的配置文件

更改—cfg参数
最后点击运行，参看效果即可

OK 也不知道到我写清楚了没有