YOLOV8改进：在C2f模块不同位置添加注意力机制

AICurator

已于 2023-03-13 21:46:33 修改

阅读量7.6k

点赞数 4

分类专栏： YOLOV5/YOLOV7/YOLOV8改进文章标签： YOLO python 深度学习

于 2023-03-11 09:50:59 首次发布

本文链接：https://blog.csdn.net/m0_51530640/article/details/129458744

版权

YOLOV5/YOLOV7/YOLOV8改进专栏收录该内容

54 篇文章 46 订阅 ¥99.90 ¥299.90

订阅专栏

超级会员免费看

该文探讨了如何在YOLOV8的C2f模块中添加CBAM注意力机制，通过修改ultralytics的nn/modules.py和nn/tasks.py文件实现。作者分享了两种可行的添加方法，并指出添加注意力机制后可能遇到的输出concat错误和环境兼容问题。

摘要由CSDN通过智能技术生成

本文以CBAM注意力机制为例，在c2f模块的不同位置添加注意力机制，没有用v8自带的CBAM模块，而是自己之前用过的代码。

CBAM简单介绍：

CBAM这是一种用于前馈卷积神经网络的简单而有效的注意模块。给定一个中间特征图，我们的模块会沿着两个独立的维度（通道和空间）依次推断注意力图，然后将注意力图乘以输入特征图以进行自适应特征修饰。由于CBAM是轻量级的通用模块，因此可以以可忽略的开销将其无缝集成到任何CNN架构中，并且可以与基础CNN一起进行端到端训练。

1.第一步，在ultralytics/nn/modules.py文件中添加CBAM注意力机制

########CBAM
class ChannelAttentionModule(nn.Module):
    def __init__(self, c1, reduction=16):
        super(ChannelAttentionModule, self).__init__()
        mid_channel = c1 // reduction
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.max_pool = nn.AdaptiveMaxPool2d(1)

        self.shared_MLP = nn.Sequential(
            nn.Linear(in_features=c1, out_feat