YOLOv5独家原创改进：原创自研 | 自研独家创新MSAM注意力，通道注意力升级，魔改CBAM

已于 2024-01-26 09:10:22 修改
阅读量2.2k 收藏 17
点赞数 29
分类专栏： YOLOv5原创自研 文章标签： YOLO 开发语言 人工智能 目标检测 算法
于 2023-11-29 13:14:16 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_63774211/article/details/134687339
版权
YOLOv5原创自研 专栏收录该内容
92 篇文章 31 订阅 ¥299.90 ¥399.90
订阅专栏
本文介绍了对YOLOv5的自研改进MSAM，这是一种基于CBAM的多尺度通道注意力模块，提升了目标检测性能。在道路缺陷检测任务中，MSAM相比于CBAM和原始模型有显著提升。详细步骤和源码提供，帮助读者理解并实践网络魔改。
摘要由CSDN通过智能技术生成

  💡💡💡本文自研创新改进：MSAM（CBAM升级版）：通道注意力具备多尺度性能，多分支深度卷积更好的提取多尺度特征，最后高效结合空间注意力

 1）作为注意力MSAM使用；

推荐指数：五星

MSCA  |   亲测在多个数据集能够实现涨点，对标CBAM。

在道路缺陷检测任务中，原始map为0.8，cbam为0.822  ，MSCA  为  0.855

 

 

收录

YOLOv5原创自研

https://blog.csdn.net/m0_63774211/category_12511931.html</

了解本专栏 订阅专栏 解锁全文
AI小怪兽
关注
  • 29
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 6
    评论
专栏目录
订阅专栏
YOLOv5算法进阶改进（1）— 改进数据增强方式 + 添加CBAM注意力机制
突然好想你
11-12 1690
本节课设计了一种基于改进YOLOv5的目标检测算法。在数据增强方面使用Mosaic-9方法来对训练集进行数据增强，使得网络具有更好的泛化能力。而后，为了更进一步提升检测精度，在 backbone中嵌入了CBAM注意力机制模块，使得网络能够更好地提取到有用特征并抑制不重要特征。实验结果表明，改进后的网络在数据集上取得了良好的性能。🌈
YOLOV5中添加CBAM模块详解——原理+代码
python_plus的博客
03-07 3891
本文详细讲解了CBAM模块中的CAM和SAM过程，并提供了将CBAM添加到YOLOv5中的代码
目标检测算法——YOLOv5/YOLOv7改进之结合CBAM
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
10-29 7543
论文题目：《CBAM: Convolutional Block Attention Module》论文地址： https://arxiv.org/pdf/1807.06521.pdfCBAM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。
YOLOv5改进--添加CBAM注意力机制
weixin_57130167的博客
11-21 6748
YOLOV5改进方式，添加注意力机制，有很多添加方式，文中列举一种。
❀YOLO5学习❀基于yolo5-face结合注意力模型CBAM的数据实验
weixin_44649780的博客
04-16 4134
2022 04 16 21:34 做一个自由浪漫的英雄主义式工程师。 - insanena yolo5-face项目没有实现的朋友们可以参考我的这篇： ❀YOLOv5学习❀yolo5-face论文里代码复现，实现运行_夏天｜여름이다的博客-CSDN博客_yolov5人脸识别论文 也可以参考俩天前写的这篇： h❀YOLO5学习❀基于yolo5-face结合注意力模型SE的数据实验_夏天｜여름이다的博客-CSDN博客本博客和上片博客只不过把SE换成CBAM，方便大家粘贴代码。 主要修改三个地方：.
MSAM汇编开发环境
06-09
【MSAM汇编开发环境】是微软为Win32汇编语言编程者提供的一款集成开发环境，它旨在为用户带来与Visual C++ (VC) 和Visual Studio (VS) 类似的体验。这款工具集成了编译器、调试器、资源编辑器等必备组件，使得汇编...
Mirren-Swagger-API-Manager:MSAM是一个API接口文档管理器,用于生成兼容Swagger.json的接口文件的接口管理软件本项目已经停止运维,请使用升级版
05-24
然而，值得注意的是，MSAM项目已经停止运维，官方建议用户转向使用其升级版——Orion-API-Manager。 Swagger的核心是OpenAPI Specification（OAS），它是一个开放的、社区驱动的标准，用于描述RESTful API。这个...
MSAM（一个强大的工具）
11-09
MSAM，全称为“Microsoft Assembler Manager”，是一个在早期个人计算机时代广泛使用的汇编语言编程工具。它在汇编编程领域扮演着至关重要的角色，帮助程序员将汇编语言代码转换成机器可执行的二进制代码。汇编语言...
微软msam8.0汇编编译器(不需要先安装vs2005)
08-25
值得注意的是，这个版本的MSAM8.0并不需要预先安装Visual Studio 2005，这意味着它可以作为一个独立的工具来使用，降低了用户的系统需求和安装复杂性。 **汇编语言的基本概念** 汇编语言是一种符号化的机器语言，...
Visual Studio 2019 Installer + MSAM32v11r
最新发布
07-17
《汇编语言 基于x86处理器》- 读书笔记 - Visual Studio 2019 配置 MASM环境 https://blog.csdn.net/jx520/article/details/140472374
yolov5-attention
04-12
该存储库代表Ultralytics对未来的对象检测方法的开源研究，并结合了在匿名客户数据集上数千小时的培训和发展过程中汲取的经验教训和最佳实践。 所有代码和模型都在积极开发中，如有更改或删除，恕不另行通知。 使用风险自负。 ** GPU速度使用批处理大小为32的V100 GPU测量超过5000张COCO val2017图像的平均每张图像的端到端时间，包括图像预处理，PyTorch FP16推理，后处理和NMS。 来自EfficientDet数据（批量大小为8）。 2021年1月5日： ：nn.SiLU（）激活，记录， 集成。 2020年8月13日： ：nn.Hardswish（）激活，数据自动下载，本机AMP。 2020年7月23日： ：改进了模型定义，培训和mAP。 2020年6月22日： 更新：新机头，减少了参数，提高了速度，并提高了mAP 。 2020年6月19日： 作为
改进YOLOv5、YOLOv8系列：14.添加S2-MLPv2注意力机制
包括YOLOv5、YOLOv7、YOLOv8等模型改进
08-24 8052
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
yolov5改了CBAM注意力机制后报错:runtimeerror:adaptive_avg_pool2d_backward_cuda does not have a deterministic im
m0_55515326的博客
05-22 1073
可以试试将torch.use_deterministic_algorithms(False)添加到train.py里面（反向传播）的这个位置处。我也是参考下面这位博主解决的，如果帮助到大家，并且有时间的话给这位博主点点关注，至于我为什么要发一下呢，就是想着如果多发一遍的话，更多需要这个解决方法的人可能更容易看到。
基于YOLOv5[n/s/m/l/x]全系列参数模型开发构建小麦麦穗智能化精准检测识别计数系统
Together_CZ的博客
10-23 493
基于YOLOv5[n/s/m/l/x]全系列参数模型开发构建小麦麦穗智能化精准检测识别计数系统
yolov5添加注意力机制（CBAM）
kay_545
10-03 7805
引入CBAM后，YOLOv5在基础骨干网的每个残差单元的最后添加了CBAM模块，并在中间层的SPP（Spatial Pyramid Pooling）层后也添加了CBAM模块。总之，通过引入CBAM注意力机制，YOLOv5改进了网络的基础骨干网、中间层和检测头，使得模型能够更好地捕捉特征之间的依赖关系，提高特征表示能力和检测精度。通过结合通道注意力和空间注意力，CBAM注意力机制能够自适应地调整不同通道和空间位置的重要性，从而提升模型对图像特征的表达能力。，将CBAM添加到我们想添加的位置。
YOLOv5/YOLOv7改进：全网原创首发 | 新颖的多尺度卷积注意力（MSCA），即插即用，助力小目标检测 | NeurIPS2022
10-25 977
多尺度卷积注意力（MSCA），有效地提取上下文信息；1）作为注意力MSCA使用；
Yolov5 中添加注意力机制 CBAM
ruotianxia的博客
09-03 4385
从上图中可以看到，前面的卷积神经网络提前特征后，分别进行两个通道注意力计算，两个通道可以并行也可以串行，但是原作者在实验中发现，串行且channel在spatial之前，性能会更好。CBAM将这两个注意力模块嵌入到CNN的卷积层之间，以增强网络对重要特征的关注度。在common.py的尾部添加如下代码，即Channel Attention 模块、Spatial Attention模块、CBAMC3模块。如果运行之后的网络输出中，出现CBAMC3，则说明添加成功，下面就是等待训练的结果。
TPH-yolov5论文解读
热门推荐
易大飞
06-27 1万+
TPH-yolov5论文简介。
MSAM与其他自注意力机制（如自注意力或全连接注意力）有何不同？
06-10
MSAM（Multi-Stage Attention Mechanism）是一种改进版的自注意力机制，它与传统的自注意力（Self-Attention）和全连接注意力（Full Connection Attention）在处理复杂信息和计算效率上有所不同。 1. **自注意力（Self-Attention）**：它是Transformer模型的核心部分，允许模型同时考虑输入序列中的所有位置，权重由每个位置的上下文特征计算得出。自注意力提供了全局视角，但它可能对长序列处理效率较低，因为它计算的是所有元素之间的依赖关系。 2. **全连接注意力（Full Connection Attention）**：这种机制通常指的是没有限制的注意力机制，即每个输入元素都可以直接与序列中的其他所有元素进行连接。这可能导致大量的参数和计算，特别是在大规模数据集上。 **MSAM的独特之处**： - **阶段化（Multi-Stage）**：MSAM将注意力分为多个阶段，每个阶段专注于不同的特征层次或者局部区域，这有助于减少计算量，特别是对于长序列，分阶段处理能够更有效地捕捉局部依赖。 - **多级抽象**：通过分层设计，MSAM能够处理不同抽象级别的信息，提高了模型对复杂输入的理解能力。 - **动态计算图**：可能采用条件或可调整的注意力结构，可以根据输入内容动态决定哪些部分更重要，从而更灵活和针对性地聚焦关键信息。 相关问题： 1. MSAM如何解决自注意力机制在长序列上的效率问题？ 2. 全连接注意力的缺点是什么？ 3. MSAM的分阶段设计是如何增强模型性能的？
评论 6
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

AI小怪兽

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