YOLOv8改进 | 注意力机制 | 添加全局注意力机制 GcNet【附代码+小白必备】

已于 2024-05-28 20:25:51 修改
阅读量193 收藏
点赞数 6
分类专栏： YOLOv8改进有效涨点 文章标签： YOLO 目标检测 深度学习 人工智能 python 面试 yolov8改进
于 2024-05-28 15:39:42 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_67647321/article/details/139263903
版权

💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡

非局部网络通过将特定于查询的全局上下文聚合到每个查询位置，为捕获长距离依赖关系提供了一种开创性的方法。然而，通过实验证明，非局部网络建模的全局上下文在图像内不同的查询位置几乎是相同的。因此，利用这一发现创建了一个简化的网络。在本文中，给大家带来的教程是将原来的的网络替换添加GcNet。文章在介绍主要的原理后，将手把手教学如何进行模块的代码添加和修改，并将修改后的完整代码放在文章的最后，方便大家一键运行，小白也可轻松上手实践。以帮助您更好地学习深度学习目标检测YOLO系列的挑战。

专栏地址：YOLOv8改进——更新各种有效涨点方法——点击即可跳转

目录

1. 原理

2. GcNet代码实现

2.1 将GcNet添加到YOLOv8中

2.2 更改init.py文件

2.3 在task.py中进行注册

2.4 添加yaml文件

2.5 执行程序

3. 完整代码分享

4. GFLOPs

5. 进阶

6. 总结

1. 原理

了解本专栏 订阅专栏 解锁全文
kay_545
关注
  • 6
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
【点云配准】【深度学习】Windows11下GCNet代码Pytorch实现与源码讲解
yangyu0515的博客
03-21 1459
【点云配准】【深度学习】Windows11下GCNet代码Pytorch实现与源码讲解
YOLOv8优化：注意力系列篇 | 全局多头自注意力MHSA，效果秒杀CBAM、SE
会AI的学姐
10-25 3446
MHSA注意力，引入到YOLOv8，多种实现方式
YOLOv5改进 | 注意力机制 | 添加全局注意力机制 GcNet【附代码+小白必备】
kay_545
05-28 1179
GcNet，全局注意力机制，yolov5改进
Yolov8添加注意力机制
shenmiren6x的博客
08-21 2597
点击下方链接到github下载github有时会打不开，可以到国内镜像Gitee下载，链接如下ultralytics: YOLOv8 🚀 Ultralytics 同步更新官方最新版 YOLOv8 (gitee.com)本文下载的代码版本为8.0.154，不同版本的代码结构可能会不同。
基于YOLOV8的注意力机制源代码获取，开箱即用
08-19
注意力机制包括： 1.CBAM； 2.GAM； 3.ResBlock_CBAM; ​4.Triplet注意力; 5. ShuffleAttention; 6.ECA; 7.SENet; 8. EffectiveSE; ​​9. GCNet; 10.GENet; 11.BAM;
计算机视觉中的注意力机制
09-23
汇总了自Non-local和SENet之后的十几篇发表于CVPR/ICCV的经典的注意力方法，包括cbam、a2net、psanet、danet、apcnet、sknet、ccnet、gcnet、annnet、ocrnet、sanet、ecanet
一种引入注意力机制的红外目标检测方法.docx
11-28
一些著名的工作如SENet、SKNet、ECANet、NL-Net、GCNet、CBAM、Dual Attention Network、Double Attention Network和TripleNet，分别从不同角度改进了这两种类型的注意力机制。 本文提出了一种名为显隐性通道交互的...
基于卷积神经网络的垃圾图像分类算法
05-06
通过构建注意力机制, 模型完成局部和全局的特征提取, 能够获取到更加完善、有效的特征信息; 同时, 通过特征融合机制, 将不同层级、尺寸的特征进行融合, 更加有效地利用特征, 避免梯度消失现象. 实验结果证明, GCNet...
yolov5实例分割跑通以及C#读取yolov5_Seg实例分割转换onnx进行检测部署
qq_65356682的博客
07-02 467
链接：https://pan.baidu.com/s/1m-3lFWRHwg5t8MmIOKm4FA。链接：https://pan.baidu.com/s/1mwl2poblQUuFEwSpE2dvqA。一、首先需要训练yolov5_seg的模型，可以去网上学习，或者你直接用我的，classes_count_1 类别的个数 你有多少类别你就设置几个。NMS_Threshold 非极大值抑制的值，确定框的数量。或者你直接下载我的环境，都喂你嘴里，就看你吃不吃了，yolov5_seg算法的环境。
YOLO 应用
weixin_46807151的博客
07-04 154
YOLO（You Only Look Once）算法是一种高效的对象检测模型，自其发布以来，在多个领域中都得到了广泛的应用。总的来说，YOLO算法凭借其高效性和准确性，在多个领域中都有着广泛的应用前景。随着技术的不断发展，YOLO算法的性能和适用范围还将继续提升和扩展。
基于YOLOv5的人脸目标检测
z240626191s的博客
07-03 532
本文是在之前的基于yolov5的人脸关键点检测项目上扩展来的。因为人脸目标检测的效果将直接影响到人脸关键点检测的效果，因此本文主要讲解利用yolov5训练人脸目标检测(关键点检测可以看我人脸关键点检测文章)
YOLO-world论文阅读笔记
qq_42575422的博客
07-02 873
结合CLIP和yolov8，CLIP提取文本特征，yolov8提取图像特征，核心是如何将文本特征和图像特征融合，这个特征融合模块要非常简单，最好融合一次就行，不用多多阶段融合，这样部署的时候就可以直接用CLIP离线编码好的文本特征，而不用再实时推理了，节约了大量的计算量，并且非常简单。之前的开集检测方法都需要在线编码文本，以获取需要检测的类别，而yolo-world只需要离线编码一次就行了，后面推理阶段直接用离线编码的文本就行，对部署非常友好。只微调分割头的话会有更好的开集分割能力（泛化能力）。
YOLO在目标检测与视频轨迹追踪中的应用
MrLi的博客
07-02 678
YOLO算法由Joseph Redmon等人在2015年首次提出，其核心思想是将目标检测问题转化为一个回归问题，通过单个神经网络直接预测图像中所有目标的边界框和类别。随着技术的不断演进，YOLO系列算法已经发展到了多个版本，包括YOLOv1、YOLOv2（YOLO9000）、YOLOv3、YOLOv4以及最新的YOLOv5、YOLOv7等。每个新版本都在前一代的基础上进行了优化和改进，以提高检测速度、精度和泛化能力。
【轻量化】YOLOv8 更换骨干网络之 MobileNetv4 | 《号称最强轻量化网络》
YOLOv8项目贡献者
07-01 471
号称最强轻量化网络 MobileNetv4
YOLOv8数据集可视化[目标检测实践篇]
ice
07-05 80
这个篇章主要是对标注好的标签进行可视化，虽然比较简单，但是可以从可视化代码中学习到YOLOv8是如何对标签进行解析的。先贴代码，后面再补充解析。
yolov8-seg分割模型TensorRt部署，去掉torch
最新发布
qq_44224801的博客
07-05 124
输入为brg图像，图像的路径和输出路径，最后会保存masktxt。cudart推理，不包含torch。
YOLOv8各种改进模型在Jetson Orin NX上面的部署与实验对比
m0_49586319的博客
07-01 58
YOLOv8及其改进模型在Jetson Orin NX 上面的部署以及实验数据对比。 其中FasterNet主干替换最快，最快能到300帧率。
slowfast中加GCNET注意力机制代码
09-08
以下是在SlowFast模型中使用GCNet注意力机制的示例代码： 首先，需要导入相关的库和模块： ```python import torch import torch.nn as nn import torch.nn.functional as F ``` 然后，定义GCNet注意力模块： ```python class GCNet(nn.Module): def __init__(self, in_channels, reduction_ratio=16): super(GCNet, self).__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.fc = nn.Sequential( nn.Linear(in_channels, in_channels // reduction_ratio), nn.ReLU(inplace=True), nn.Linear(in_channels // reduction_ratio, in_channels), nn.Sigmoid() ) def forward(self, x): bs, ch, _, _ = x.size() y = self.avg_pool(x).view(bs, ch) y = self.fc(y).view(bs, ch, 1, 1) return x * y.expand_as(x) ``` 接下来，在SlowFast网络中使用GCNet注意力模块： ```python class SlowFast(nn.Module): def __init__(self, num_classes): super(SlowFast, self).__init__() # Slow pathway self.slow_conv1 = nn.Conv3d(3, 64, kernel_size=(1, 7, 7), stride=(1, 2, 2), padding=(0, 3, 3)) self.slow_gc1 = GCNet(64) # Fast pathway self.fast_conv1 = nn.Conv3d(3, 8, kernel_size=(5, 7, 7), stride=(1, 2, 2), padding=(2, 3, 3)) self.fast_gc1 = GCNet(8) # Other layers... self.fc = nn.Linear(1024, num_classes) def forward(self, slow_input, fast_input): # Slow pathway slow_out = F.relu(self.slow_conv1(slow_input)) slow_out = self.slow_gc1(slow_out) # Fast pathway fast_out = F.relu(self.fast_conv1(fast_input)) fast_out = self.fast_gc1(fast_out) # Other layers... # Fusion out = torch.cat((slow_out, fast_out), dim=2) # Other layers... return out ``` 以上是在SlowFast模型中使用GCNet注意力机制的示例代码。根据实际需求，你可能需要调整GCNet注意力模块的参数和SlowFast网络的结构。希望这能帮到你！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

kay_545

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