yolov5添加SimAM注意力机制（非通道数注意力）

已于 2024-05-09 21:12:03 修改
阅读量1k 收藏 4
点赞数
分类专栏： Yolo+Deepsort+ROS 文章标签： YOLO 深度学习 python
于 2023-08-25 21:27:38 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/m0_49586319/article/details/132502699
版权
本文介绍了如何在YOLOv5中添加SimAM注意力机制，该机制无需考虑通道数，可以在任意层应用。步骤包括创建新模块文件、添加代码、修改配置文件以及解决训练过程中的错误。
摘要由CSDN通过智能技术生成

SimAM注意力机制简介

 关于SIMAM注意力机制的原理这里不再详细解释，这篇发在Proceeddings of the 38th Internation Conference on Machine Learning.论文参考如下论文链接here
 

yolov5中添加SimAM注意力机制

  注意力机制分为接收通道数和不接受通道数两种。这次属于不接受通道数注意力机制，这种注意力机制由于没有任何的通道数要求，所以我们可以随便添加到那一层就可以，不用考虑上一层的通道数情况。
 
✨ 第一步：在models的文件夹下新建一个.py文件，格式为我们（注意力机制名字.py),如下图所示
 
在这里插入图片描述
 
✨ 第二步：添加官方提供的注意力机制代码，这里我提供给大家
SimAM.py


                

                
                
        

        

    

  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        

    

      

        

            

              
                
                  书中藏着宇宙
                
              
            

            

                关注
              
            

        

        

          
      

      

            

                专栏目录
          

                

                        订阅专栏
                









                



	

		

			

				
					
YOLOv5改进系列（7）——添加SimAM注意力机制

				
			

			

				

					路人贾的博客
				

				

					06-04
					
					4855
					
				

			

		

		

			
				
手把手教你在YOLOv5中加入SimAM注意力机制，文内含两种方法，小白也能看懂！

			
		

	



                

            
              



	

		

			

				
					
YOLOv5改进实战 | 添加注意力机制（一）之SimAM篇

				
			

			

				

					w94ghz的博客
				

				

					10-02
					
					2806
					
				

			

		

		

			
				

			
		

	



              


  
              

                


	

		

			

				
					
YOLOv5 改进 005：Backbone 添加 SimAM 注意力机制

				
			

			

				

					m0_46496775的博客
				

				

					08-07
					
					968
					
				

			

		

		

			
				
本文介绍了一种简单而有效的注意力模块，即简单注意力模块（SimAM）。SimAM 是一种无参数注意力模块，它能够在增强神经网络的表示能力的同时，而不会显著增加计算开销。在本文中，给大家带来的教程是在原来的主干网络最后添加 SimAM 注意力机制。

			
		

	





	

		

			

				
					
YOLOv5改进——添加SimAM注意力机制

					
最新发布

				
			

			

				

					2302_80099075的博客
				

				

					10-09
					
					643
					
				

			

		

		

			
				
这样可以使注意力机制看到整个backbone部分的特征图，将具有全局视野，类似于一个小的transformer结构。注意：很多改进教程都是将代码直接复制到common.py文件，如果改进机制多了容易造成混乱。在models文件夹下新建modules文件夹，在modules文件夹下新建一个py文件。这里为simam.py。在models文件夹下，复制yolov5s.yaml文件，粘贴并重命名为yolov5s-simam.yaml。运行yolo.py，出现刚刚加入的SimAM注意力机制，说明加入成功。

			
		

	



		

			
		



	

		

			

				
					
（超详细）2-YOLOV5改进-添加SimAM注意力机制

				
			

			

				

					qq_44421796的博客
				

				

					01-10
					
					1831
					
				

			

		

		

			
				
3、找到自己想要更改的yaml文件，我选择的yolov5s.yaml文件(你可以根据自己需求进行选择），将刚刚写好的模块SimAM加入到yolov5s.yaml里面，并更改一些内容。跑100个epoch，还不知道跑到啥时候哈哈哈哈！运行一下，发现出来了SimAM。结果还没出来呢，还在跑，

			
		

	





	

		

			

				
					
YOLOv5改进系列：引入SimAM注意力机制提升计算机视觉

				
			

			

				

					YjmnDatabase的博客
				

				

					09-21
					
					300
					
				

			

		

		

			
				
计算机视觉领域一直在不断发展和改进，其中目标检测是一个重要的任务。SimAM是一种注意力机制，它能够帮助模型更好地关注重要的目标区域，从而提升目标检测的准确性和鲁棒性。SimAM的核心思想是通过计算目标区域与周围区域之间的相似度，来确定目标区域的重要性。总结起来，本文介绍了一种改进的YOLOv5算法，即引入SimAM注意力机制。通过计算目标区域与周围区域之间的相似度，并对目标区域进行注意力加权，我们能够提升目标检测算法的性能。该机制能够提升目标检测算法对重要目标区域的关注度，从而提高检测的准确性和鲁棒性。

			
		

	





	

		

			

				
					
YOLOv5改进 | 注意力机制 | 添加SimAM注意力机制【全网独家+附完整代码】

				
			

			

				

					kay_545
				

				

					06-04
					
					1566
					
				

			

		

		

			
				
yolov5改进，创新，yolov5添加注意力机制

			
		

	





	

		

			

				
					
改进YOLOv5 | 在 C3 模块中添加【SimAM】【CoTAttention】【SKAttention】【DoubleAttention】注意力机制 | 附详细结构图

				
			

			

				

					YOLOv8项目贡献者
				

				

					05-17
					
					4878
					
				

			

		

		

			
				
在 C3 模块中添加【SimAM】【CoTAttention】【SKAttention】【DoubleAttention】注意力机制 | 附详细结构图

			
		

	





	

		

			

				
					
改进YOLOv5、YOLOv8系列：15.添加SimAM注意力机制

				
			

			

				

					包括YOLOv5、YOLOv7、YOLOv8等模型改进
				

				

					08-24
					
					1万+
					
				

			

		

		

			
				
目标检测科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数

			
		

	





	

		

			

				
					
改进YOLOv7系列：24.添加SimAM注意力机制

				
			

			

				

					包括YOLOv5、YOLOv7、YOLOv8等模型改进
				

				

					09-04
					
					1万+
					
				

			

		

		

			
				
目标检测科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数

			
		

	





	

		

			

				
					
yolov8添加注意力机制-学习记录

				
			

			

				

					01-25
				

			

		

		

			
				
添加SimAM注意力机制可以提高Yolov8模型的性能，对目标检测任务有很大的帮助。  二、Yolov8添加一个通道数注意力机制EMA  Yolov8添加一个通道数注意力机制EMA可以提高模型的表达能力。EMA注意力机制可以学习到不同...

			
		

	





	

		

			

				
					
YOLOv8改进 | 注意力机制 | 添加SimAM注意力机制【全网独家+附完整代码】

				
			

			

				

					kay_545
				

				

					06-04
					
					1928
					
				

			

		

		

			
				
yolov8.，yolov改进，yolov8添加注意力机制

			
		

	





	

		

			

				
					
即插即用篇 | YOLOv8 引入 SimAM 注意力机制 | 《SimAM: A Simple, Parameter-Free Attention Module for Convolutional》

				
			

			

				

					weixin_39818775的博客
				

				

					05-21
					
					1221
					
				

			

		

		

			
				
SimAM（Simple Attention Module）是一种简单、无参数的注意力机制，可用于卷积神经网络（CNN）。与其他注意力机制不同，SimAM 不需要引入额外的参数，因此计算成本更低、部署更方便。SimAM 已被证明可以有效提高 CNN 的性能，特别是在目标检测任务中。YOLOv8 是 Ultralytics 公司于 2022 年 8 月推出的最新一代目标检测算法。YOLOv8 在 YOLOv5 的基础上进行了大量改进，包括引入了 SimAM 注意力机制。

			
		

	





	

		

			

				
					
手把手带你 YOLOv5/v7 添加注意力机制（并附上30多种顶会Attention原理图）2024/2/5更新

					
热门推荐

				
			

			

				

					YOLOv8项目贡献者
				

				

					04-27
					
					18万+
					
				

			

		

		

			
				
YOLOv5/v7 添加注意力机制教程 2023/6/15更新🍀🍀🍀

			
		

	





	

		

			

				
					
零基础教程：Yolov5模型改进-添加13种注意力机制

				
			

			

				

					pyscl01的博客
				

				

					09-25
					
					4266
					
				

			

		

		

			
				
零基础教程：Yolov5模型改进-添加注意力机制的详细步骤

			
		

	





	

		

			

				
					
改进YOLOv7系列：引入SimAM注意力机制（计算机视觉）

				
			

			

				

					IpyVariable的博客
				

				

					09-23
					
					589
					
				

			

		

		

			
				
具体而言，对于每个特征图，我们计算其与其他特征图之间的相似性得分，并将相似性得分作为权重应用于特征图上的像素。这样，相似性得分高的特征图将获得更高的权重，从而增强其对目标的关注程度。在前向传播过程中，SimAM模块计算特征图之间的相似性得分，并通过相似性得分调整特征图的权重。然而，为了进一步提高YOLOv7的性能，我们可以引入一种新的注意力机制，称为SimAM（相似性自适应模块）。通过引入SimAM注意力机制，我们可以改进YOLOv7系列算法，使其在目标检测任务中获得更好的性能。

			
		

	





	

		

			

				
					
yolov5改进之加入CBAM,SE,ECA,CA,SimAM,ShuffleAttention,Criss-CrossAttention,CrissCrossAttention多种注意力机制

				
			

			

				

					Wansit的博客
				

				

					01-28
					
					1万+
					
				

			

		

		

			
				
yolov5改进之加入CBAM等多种注意力机制

			
		

	





	

		

			

				
					
目标检测算法——YOLOv5/YOLOv7改进之结合无参注意力SimAM（涨点神器）

				
			

			

				

					加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
				

				

					10-24
					
					1万+
					
				

			

		

		

			
				
目标检测算法——YOLOv5/YOLOv7改进之结合无参注意力SimAM

			
		

	





	

		

			

				
					
Yolov5/Yolov7改进---注意力机制： SimAM（无参Attention）和NAM（基于标准化的注意力模块），效果秒杀CBAM、SE

				
			

			

				

					
				

				

					06-25
					
					1356
					
				

			

		

		

			
				
本文介绍了两种新颖的注意力机制：SimAM（无参Attention）和NAM（基于标准化的注意力模块），效果优于CBAM和SE。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      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

	

		

		
			
		
		

		

			
书中藏着宇宙

			
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