YOLOv8模型改进4【增加注意力机制GAM-Attention（超越CBAM，不计成本地提高精度）】

一、GAM-Attention注意力机制简介

GAM全称：Global Attention Mechanism。它被推出的时候有一个响亮的口号叫做：超越CBAM，不计成本地提高精度。由此可见，它的主要作用是为了目标检测精度的提高。

但是，大家都明白，具体效果怎么样，还得看具体的任务，我浅浅地试了一下，这个注意力机制在小目标检测任务中表现还是可以的，如果你有这方面的需求，可以尝试一下增加GAM注意力机制。

上一篇文章中说，通道注意力与空间注意力被广泛地应用在视觉任务中，CBAM注意力机制就是融合了两者。无独有偶，GAM注意力机制也采用了通道注意力+空间注意力的框架。不同的是，GAM注意力机制的作者提出了一种全局吸引机制，这种机制是通过在减少信息约简的同时放大全局交互表示来提高深度神经网络的性能。

因为作者认为以往的注意力方法都忽略了通道与空间的相互作用，丢失了跨维信息。考虑到跨维度信息的重要性，并放大跨维度的交互作用，GAM就应运而生。

GAM注意力机制的模型结构图如下图所示：

下面是GAM中通道注意力与空间注意力的结构图

GAM注意力机制在数据集Cifar100上的分类结果

GAM注意力机制在数据集ImageNet-1K的分类结果

【注：代码Pytorch实现Github】:https://github.com/dengbuqi/GAM_Pytorch?tab=readme-ov-file

***【注：论文–Global Attention Mechanism: Retain Information to Enhance Channel-Spatial Interactions链接】：**https://arxiv.org/pdf/2112.05561v1.pdf

【注：GAM注意力机制论文中并没有将其应用到目标检测任务中进行尝试，所以再次强调–它的具体性能得用了才知道！】

二、增加GAM-Attention注意力机制到YOLOv8模型上

方法基本还是一样的，只会有一些细微的差别：
【1: …/ultralytics/nn/modules/conv.py】

在这个文件末尾增加有关GAM-Attention的代码：（有两段，不要少加！！！）

#增加GAM注意力
def channel_shuffle(x, groups=2):  ##shuffle channel
    # RESHAPE----->transpose------->Flatten
    B, C, H, W = x.size()
    out = x.view(B, groups, C // groups, H, W).permute(0, 2, 1, 3, 4).contiguous()
    out = out.view(B, C, H, W)
    return out


class GAM_Attention(nn.Module):
    # https://paperswithcode.com/paper/global-attention-mechanism-retain-information
    def __init__(self, c1, c2, group=True, rate=4):
        super(GAM_Attention, self).__init__()

        self.channel_attention = nn.Sequential(
            nn.Linear(c1, int(c1 / rate)),
            nn.ReLU(inplace=True),
            nn.Linear(int(c1 / rate), c1)
        )

        self.spatial_attention = nn.Sequential(

            nn.Conv2d(c1, c1 // rate, kernel_size=7, padding=3, groups=rate) if group else nn.Conv2d(c1