YOLOv11改进 | 添加注意力机制篇 | 添加EMAttention注意力机制（附二次创新C2PSA机制）

已于 2024-10-13 23:46:06 修改
阅读量2.7k 收藏 40
点赞数 26
分类专栏： YOLOv11有效涨点专栏 文章标签： YOLO 目标检测 深度学习 计算机视觉 人工智能 python YOLOv11
于 2024-10-13 23:45:54 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/java1314777/article/details/142905229
版权

一、本文介绍

本文给大家带来的改进机制是EMAttention注意力机制，它的核心思想是，重塑部分通道到批次维度，并将通道维度分组为多个子特征，以保留每个通道的信息并减少计算开销。EMA模块通过编码全局信息来重新校准每个并行分支中的通道权重，并通过跨维度交互来捕获像素级别的关系。本文首先给大家提供效果图(由基础版本未作任何修改和修改了本文的改进机制的效果对比图)，然后介绍其主要的原理，最后手把手教大家如何添加该注意力机制。

  专栏回顾：YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备

目录

一、本文介绍

二、EMAttention的框架原理

三、EMAttention的核心代码 

四、手把手教你添加EMAttention

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、EMAttention的yaml文件和运行记录

5.1 EMAttention的yaml版本一(推荐)

5.2 EMAttention的yaml版本二

5.3 训练代码 

5.4 EMAttention的训练过程截

了解本专栏 订阅专栏 解锁全文
【RT-DETR有效改进】利用EMAttention加深网络深度提高模型特征提取能力（特征选择模块）
Snu77的博客
02-17 2226
本文给大家带来的改进机制是EMAttention注意力机制，它的核心思想是，重塑部分通道到批次维度，并将通道维度分组为多个子特征，以保留每个通道的信息并减少计算开销。EMA模块通过编码全局信息来重新校准每个并行分支中的通道权重，并通过跨维度交互来捕获像素级别的关系。本文改进是基于ResNet18、ResNet34、ResNet50、ResNet101，文章中均以提供，本专栏的改进内容全网独一份深度改进RT-DETR非那种无效Neck部分改进，
YOLOv8改进 | 注意力机制 | 结合静态和动态上下文信息的注意力机制
kay_545
07-06 1171
yolov8，yolov8改进，yolov8添加注意力机制，yolov8
YOLOv11改进 | 添加注意力机制 | 引入添加EMA注意力机制
m0_64858060的博客
03-02 1809
YOLOv11改进 | 添加注意力机制 | 引入添加EMA注意力机制
YOLO11改进-模块-引入基于局部重要性的注意力机制Local Importance-based Attention LIA
qq_64693987的博客
02-11 1204
注意力机制的核心是根据输入的相对重要性自适应地增强有用信息、削弱无用信息。LIA 受通过区域 softmax 获取局部重要性的研究启发，通过计算像素在其周围区域的重要性值来衡量局部重要性。通过这种方式，LIA 能够在低分辨率特征图上测量局部重要性，并通过一个通道门来校准注意力图，从而实现二阶信息交互的同时保证相对较低的延迟。为避免步长卷积和双线性插值带来的伪影，LIA 利用门机制对局部重要性进行重新校准。通过这种方式，LIA 能够在保留有用信息的同时，抑制噪声和无关信息，提升图像超分辨率的效果。
【6-2】YOLOv10添加【CoTAttention】【SimAM】【SKAttention】等注意力机制 【超30种先进模块随心选】【注意力机制篇】
up主为在读研究生，从事cv研究4余年，绝对靠谱。
06-25 1845
本文接续上文介绍YOLOv10如何添加其他先进注意力机制。超30种注意力机制模块，助力文章涨点多多🚀🚀BAM于2018年提出，是一种轻量级的注意力机制，用于提高卷积神经网络的性能。它通过在网络中加入注意力模块来增强网络对重要特征的关注，忽略不重要的信息，从而提升整体表现。BAM的优点轻量级：BAM模块在计算上非常高效，不会显著增加模型的计算复杂度和参数量。兼容性好：BAM可以很容易地嵌入到现有的各种卷积神经网络架构中，提升它们的性能。
【6-4】YOLOv10添加【Axial Attention】【HaloAttention】等注意力机制 【超30种先进模块随心选】【注意力机制篇】
up主为在读研究生，从事cv研究4余年，绝对靠谱。
07-04 1131
Axial Attention 是一种高效的注意力机制，专门设计用于多维数据如图像和视频。它通过分解高维注意力操作，分别在各个轴上执行，从而减少计算复杂度并提高模型的效率。Axial Attention 的核心思想是将多维注意力分解为一系列一维的注意力操作，这样可以显著降低计算成本，同时保持全局上下文信息的捕获能力。对于一个二维特征图（例如图像），Axial Attention 分别在水平轴和垂直轴上计算注意力。
【6-1】YOLOv10添加【CBAM】【SE】【CA】【ECA】【BAM】注意力机制 【超30种先进模块随心选】【注意力机制篇】
up主为在读研究生，从事cv研究4余年，绝对靠谱。
06-21 4068
注意力机制（Attention Mechanism）是深度学习中的一种技术，旨在模拟人类注意力的特点，即在处理复杂信息时，能够聚焦于其中的关键部分，从而提高处理效率和效果。它最初在自然语言处理（NLP）领域中被提出，但现已广泛应用于各种深度学习任务，如计算机视觉、语音识别等。本文主要介绍如何在YOLOv10中添加注意力机制，提供了4种经典注意力机制模块供大家学习，使用时可据自己的实际情况进行选择。
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
Snu77的博客
11-05 4万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
YOLOv10改进 | 注意力机制 | 添加EMAttention注意力机制（附二次创新PSA机制和C2f）
Snu77的博客
07-09 1516
本文给大家带来的改进机制是EMAttention注意力机制，它的核心思想是，重塑部分通道到批次维度，并将通道维度分组为多个子特征，以保留每个通道的信息并减少计算开销。EMA模块通过编码全局信息来重新校准每个并行分支中的通道权重，并通过跨维度交互来捕获像素级别的关系。本文首先给大家提供效果图由基础版本未作任何修改和修改了本文的改进机制的效果对比图，然后介绍其主要的原理，最后手把手教大家如何添加该注意力机制。专栏回顾YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍。
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 15万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOLOv5改进有效涨点目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
Snu77的博客
01-07 2万+
Hello，各位读者们好本专栏自开设两个月以来已经更新改进教程60余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。同时本人一些讲解视频和包含我所有创新的YOLOv8文档并不能在CSDN上传(所有的创新点都经过我的测试是可用的，得到该文件之后大家可以随意组合使用)，所以会建立群的形式在内上传我的文件和视频我也会在群内不定期和大家交流回答大家问题，同时定期会更新一些文章的创新点(经过我融合测试后的，先到先得)。本专栏持续更新网络上的所有前沿文章。
YOLOv10改进 | 注意力篇 | YOLOv10改进CBAM注意力机制
tsg6698的博客
06-11 7937
模块首先应用通道注意力，关注"重要的"特征，然后应用空间注意力，关注这些特征的"重要位置"。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~新建一个yolov10nCBAM.yaml文件后，在Backbone部分添加了CBAM注意力机制，大家可以在其他地方多尝试。在CBAM.py文件里添加给出的CBAM代码。模型结构打印，成功运行。
YOLOv10改进 | 注意力篇 | 手把手教你在YOLOv10上添加LSKAttention大核注意力机制（助力小目标检测极限涨点）
qq_45972324的博客
09-09 760
摘要：带有大型内核注意力 （LKA） 模块的视觉注意力网络 （VAN） 已被证明在一系列基于视觉的任务中提供了卓越的性能，超过了视觉转换器 （ViTs）。然而，随着卷积核大小的增加，这些 LKA 模块中的深度卷积层会导致计算和内存占用量呈二次方增加。为了缓解这些问题，并在 VAN 的注意力模块中使用非常大的卷积内核，我们提出了一个大型可分离内核注意力模块系列，称为 LSKA。LSKA 将深度卷积层的 2D 卷积核分解为级联的水平和垂直 1-D 核。
YOLOv10改进教程|C2f-CIB加入注意力机制
深度学习炼丹师，偶尔分享炼丹技术!
07-01 4226
将yolov10n.yaml文件中的C2fCIB替换为C2fCIBAttention。在nn.models.__init__.py中声明 C2fCIBAttention。在train.py脚本中填入yolov10n.yaml路径，运行即可训练。打开ultralytics->nn->tasks.py，如图所示操作。并在上方声明C2fCIBAttention类。
（包成功）零基础手把手教你YOLOv8添加CBAM、SE、CA等大量注意力机制（小白必看）（毕设必看）
最新发布
anzhi_1211的博客
03-19 3927
博客主要详细教学了在YOLOv8中添加注意力机制的超详细步骤，基本大家只要按步骤来就肯定可以复现成功，后续博主也会再更新一些关于YOLOv8的其他改进方法，期待大家多多关注！！！大家有想看的内容也可以在评论区留言！
即插即用篇 | 手把手教你 YOLOv10 添加注意力机制 | 20+ 种全打通！
YOLOv8项目贡献者
06-24 1688
即插即用篇 | 手把手教你 YOLOv10 添加注意力机制 | 20+ 种全打通！
YOLOv10改进 | 添加注意力机制篇 | 添加FocusedLinearAttention助力yolov10实现有效涨点（含二次创新PSA机制）
Snu77的博客
07-09 954
本文给大家带来的改进机制是（聚焦线性注意力）是一种用于视觉Transformer模型的注意力机制(但是其也可以用在我们的YOLO系列当中从而提高检测精度)，旨在提高效率和表现力。其解决了两个在传统线性注意力方法中存在的问题：聚焦能力和特征多样性。这种方法通过一个高效的映射函数和秩恢复模块来提高计算效率和性能，使其在处理视觉任务时更加高效和有效。简言之，Focused Linear Attention是对传统线性注意力方法的一种重要改进，提高了模型的聚焦能力和特征表达的多样性。通过本文你能够了解到。
YOLOv10改进 | 独家创新- 注意力篇 | YOLOv10结合全新多尺度动态增强注意力机制DSAttention(全网独家创新)
tsg6698的博客
08-25 732
(4). 通道注意力增强：DSAttention在进行多尺度卷积之前，利用池化操作结合1x1卷积进行通道注意力的计算，通过Adaptive Pooling层提取通道间的全局信息，并通过Sigmoid激活函数强化重要的特征通道，从而提升特征选择的精度。这些多尺度特征融合能够更全面地捕捉图像中不同尺寸的目标物体，提升特征的表达能力。(5). 最终特征融合：该机制在多尺度卷积和注意力模块之后，使用1x1卷积进行最终特征的融合和压缩，从而有效地减少参数量和计算复杂度，并在保证特征表达能力的同时提高了模型的效率。
YOLO11改进|注意力机制篇|引入EMA注意力机制
A1983Z的博客
10-09 4238
YOLO11中添加EMA注意力机制
yolov7注意力机制改进
09-09
Yolov7是一种目标检测算法，其主要改进之一是引入了注意力机制。注意力机制的作用是使模型能够更好地聚焦于重要的目标区域，从而提高检测的准确性。 在Yolov7中，注意力机制被应用于特征图上的不同层级。它通过学习每个特征图像素的权重，来调整特征图中的像素贡献。这样，模型就可以更加关注那些与目标相关的区域，而忽略无关区域的信息。 具体来说，Yolov7中的注意力机制可以分为两个阶段：通道注意力和空间注意力。通道注意力用于调整每个通道的重要性，以增强更关键的通道对目标的表示能力；而空间注意力则用于调整特征图上每个像素的权重，以突出目标区域。 通过引入注意力机制，Yolov7能够在目标检测任务中更好地捕捉目标的细节和上下文信息，并提高检测的准确性和鲁棒性。这一改进使得Yolov7在许多实际应用中取得了更好的性能表现。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值