目标检测算法——YOLOv5/YOLOv7改进之结合CBAM注意力机制

加勒比海带66

已于 2023-03-26 11:40:21 修改

阅读量1.8w

点赞数 18

分类专栏： YOLOv5算法改进 YOLOv7算法改进人工智能前沿文章标签：人工智能深度学习目标检测算法 YOLO

于 2022-04-09 10:10:30 首次发布

本文链接：https://blog.csdn.net/m0_53578855/article/details/124056417

版权

YOLOv7算法改进同时被 3 个专栏收录

103 篇文章

订阅专栏

YOLOv5算法改进

101 篇文章

订阅专栏

人工智能前沿

27 篇文章

订阅专栏

💖💖>>>加勒比海带，QQ2479200884<<<💖💖

🍀🍀>>>【YOLO魔法搭配&论文投稿咨询】<<<🍀🍀

✨✨>>>学习交流 | 温澜潮生 | 合作共赢 | 共同进步<<<✨✨

📚📚>>>人工智能 | 计算机视觉 | 深度学习Tricks | 第一时间送达<<<📚📚

论文题目：《CBAM: Convolutional Block Attention Module》
论文地址： https://arxiv.org/pdf/1807.06521.pdf

实验证明，将CBAM注意力模块嵌入到YOLOv5网络中，有利于解决原始网络无注意力偏好的问题。近期较忙，想要代码的小伙伴请私信～

CBAM注意力结构基本原理：从上图明显可以看到， CBAM一共包含2个独立的子模块，通道注意力模块（Channel Attention Module，CAM) 和空间注意力模块（Spartial Attention Module，SAM) ，分别进行通道与空间维度上的注意力特征融合。这样不只能够节约参数和计算力，并且保证了其能够做为即插即用的模块集成到现有的网络架构中去。

那对应YOLOv5结合CBAM需要修改哪些地方：

1.common.py

加入CBAM代码

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_features=mid_channel),
            nn.ReLU(),
            nn.Linear(in_features=mid_channel, out_features=c1)
        )
        self.sigmoid = nn.Sigmoid()
        #self.act=SiLU()
    def forward(self, x):
        avgout = self.shared_MLP(self.avg_pool(x).view(x.size(0),-1)).unsqueeze(2).unsqueeze(3)
        maxout = self.shared_MLP(self.max_pool(x).view(x.size(0),-1)).unsqueeze(2).unsqueeze(3)
        return self.sigmoid(avgout + maxout)
class SpatialAttentionModule(nn.Module):
    def __init__(self):
        super(SpatialAttentionModule, self).__init__()
        self.conv2d = nn.Conv2d(in_channels=2, out_channels=1, kernel_size=7, stride=1, padding=3) 
        #self.act=SiLU()
        self.sigmoid = nn.Sigmoid()
    def forward(self, x):
        avgout = torch.mean(x, dim=1, keepdim=True)
        maxout, _ = torch.max(x, dim=1, keepdim=True)
        out = torch.cat([avgout, maxout], dim=1)
        out = self.sigmoid(self.conv2d(out))
        return out

class CBAM(nn.Module):
    def __init__(self, c1,c2):
        super(CBAM, self).__init__()
        self.channel_attention = ChannelAttentionModule(c1)
        self.spatial_attention = SpatialAttentionModule()

    def forward(self, x):
        out = self.channel_attention(x) * x
        out = self.spatial_attention(out) * out
        return out

2.yolo.py

找到相应位置，加入CBAM。

 if m in [Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, 
DWConv, MixConv2d, Focus, CrossConv, BottleneckCSP, C3, C3TR, CBAM]:

3.yolov5s.yaml

根据实际训练效果，在配置文件中的C3模块后面适当添加CBAM注意力模块，过程中注意通道数和网络层数的变化（注：不同添加位置效果可能不大一样）。综上，YOLOv5结合注意力结构就大功告成了！！！

目标检测算法——YOLOv5/YOLOv7改进之结合CBAM注意力机制

💖💖>>>加勒比海带，QQ2479200884<<<💖💖

🍀🍀>>>【YOLO魔法搭配&论文投稿咨询】<<<🍀🍀

✨✨>>>学习交流 | 温澜潮生 | 合作共赢 | 共同进步<<<✨✨

📚📚>>>人工智能 | 计算机视觉 | 深度学习Tricks | 第一时间送达<<<📚📚

论文题目：《CBAM: Convolutional Block Attention Module》论文地址： https://arxiv.org/pdf/1807.06521.pdf

1.common.py

2.yolo.py

3.yolov5s.yaml

🚀🏆🍀【算法创新&算法训练&论文投稿】相关链接👇👇👇

✨【YOLO创新算法尝新系列】✨

🏂 美团出品 | YOLOv6 v3.0 is Coming（超越YOLOv7、v8）

🏂 官方正品 | Ultralytics YOLOv8算法来啦（尖端SOTA模型）

🏂 改进YOLOv5/YOLOv7——魔改YOLOv5/YOLOv7提升检测精度（涨点必备）

————————————🌴【重磅干货来袭】🎄————————————

🚀一、主干网络改进（持续更新中）🎄🎈

1.目标检测算法——YOLOv5/YOLOv7改进之结合ConvNeXt结构（纯卷积|超越Swin）

2.目标检测算法——YOLOv5/YOLOv7改进之结合MobileOne结构（高性能骨干|仅需1ms）

3.目标检测算法——YOLOv5/YOLOv7改进之结合Swin Transformer V2（涨点神器）

4.目标检测算法——YOLOv5/YOLOv7改进结合BotNet（Transformer）

5.目标检测算法——YOLOv5/YOLOv7改进之GSConv+Slim Neck（优化成本）

6.目标检测算法——YOLOv5/YOLOv7改进结合新神经网络算子Involution（CVPR 2021）

7.目标检测算法——YOLOv7改进|增加小目标检测层

8.目标检测算法——YOLOv5改进|增加小目标检测层

🌴 持续更新中……

🚀二、轻量化网络（持续更新中）🎄🎈

1.目标检测算法——YOLOv5/YOLOv7改进之结合​RepVGG（速度飙升）

2.目标检测算法——YOLOv5/YOLOv7改进之结合​PP-LCNet（轻量级CPU网络）

3.目标检测算法——YOLOv5/YOLOv7改进之结合轻量化网络MobileNetV3（降参提速）

4.目标检测算法——YOLOv5/YOLOv7改进|结合轻量型网络ShuffleNetV2

5.目标检测算法——YOLOv5/YOLOv7改进结合轻量型Ghost模块

🌴 持续更新中……

🚀三、注意力机制（持续更新中）🎄🎈

1.目标检测算法——YOLOv5改进之结合CBAM注意力机制

2.目标检测算法——YOLOv7改进之结合CBAM注意力机制

3.目标检测算法——YOLOv5/YOLOv7之结合CA注意力机制

4.目标检测算法——YOLOv5/YOLOv7改进之结合ECA注意力机制

5.目标检测算法——YOLOv5/YOLOv7改进之结合NAMAttention（提升涨点）

6.目标检测算法——YOLOv5/YOLOv7改进之结合GAMAttention

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

8.目标检测算法——YOLOv5/YOLOv7改进之结合Criss-Cross Attention

9.​目标检测算法——YOLOv5/YOLOv7改进之结合​SOCA（单幅图像超分辨率）

🌴 持续更新中……

🚀四、检测头部改进（持续更新中）🎄🎈

1.魔改YOLOv5/v7高阶版（魔法搭配+创新组合）——改进之结合解耦头Decoupled_Detect

2.目标检测算法——YOLOv5/YOLOv7改进结合涨点Trick之ASFF（自适应空间特征融合）

🌴 持续更新中……

🚀五、空间金字塔池化（持续更新中）🎄🎈

1.目标检测算法——YOLOv5/YOLOv7改进之结合​ASPP（空洞空间卷积池化金字塔）

2.目标检测算法——YOLOv5/YOLOv7改进之结合特征提取网络RFBNet（涨点明显）

🌴 持续更新中……

🚀六、损失函数及NMS改进（持续更新中）🎄🎈

1.目标检测算法——YOLOv5/YOLOv7改进|将IOU Loss替换为EIOU Loss

2.目标检测算法——助力涨点 | YOLOv5改进结合Alpha-IoU

3.目标检测算法——YOLOv5/YOLOv7改进之结合SIoU

4.目标检测算法——YOLOv5将NMS替换为DIoU-NMS

🌴 持续更新中……

🚀七、其他创新改进项目（持续更新中）🎄🎈

1.手把手教你搭建属于自己的PyQt5-YOLOv5目标检测平台（保姆级教程）

2.YOLO算法改进之结合GradCAM可视化热力图（附详细教程）

3.目标检测算法——YOLOv5/YOLOv7改进之结合SPD-Conv（低分辨率图像和小目标涨点明显）

4.目标检测算法——YOLOv5/YOLOv7改进之更换FReLU激活函数

5.目标检测算法——YOLOv5/YOLOv7改进之结合BiFPN

🌴 持续更新中……

🚀八、算法训练相关项目（持续更新中）🎄🎈

1.目标检测算法——YOLOv7训练自己的数据集（保姆级教程）

2.人工智能前沿——玩转OpenAI语音机器人ChatGPT（中文版）

3.深度学习之语义分割算法（入门学习）

4.知识经验分享——YOLOv5-6.0训练出错及解决方法（RuntimeError）

5.目标检测算法——将xml格式转换为YOLOv5格式txt

6.目标检测算法——YOLOv5/YOLOv7如何改变bbox检测框的粗细大小

7.人工智能前沿——6款AI绘画生成工具

8.YOLOv5结合人体姿态估计

9.超越YOLOv5，0.7M超轻量，又好又快（PP-YOLOE&PP-PicoDet）

10.目标检测算法——收藏|小目标检测的定义（一）

11.目标检测算法——收藏|小目标检测难点分析（二）

12.目标检测算法——收藏|小目标检测解决方案（三）

🌴 持续更新中……

🚀九、数据资源相关项目（持续更新中）🎄🎈

1.目标检测算法——小目标检测相关数据集（附下载链接）

论文题目：《CBAM: Convolutional Block Attention Module》
论文地址： https://arxiv.org/pdf/1807.06521.pdf

1.目标检测算法——YOLOv5/YOLOv7改进之结合RepVGG（速度飙升）

2.目标检测算法——YOLOv5/YOLOv7改进之结合PP-LCNet（轻量级CPU网络）

9.目标检测算法——YOLOv5/YOLOv7改进之结合SOCA（单幅图像超分辨率）

1.目标检测算法——YOLOv5/YOLOv7改进之结合ASPP（空洞空间卷积池化金字塔）