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】

已于 2024-10-11 20:14:58 修改
阅读量1.9k 收藏 40
点赞数 43
分类专栏： YOLOv8改进有效涨点 文章标签： YOLO 目标检测 深度学习 python 网络 面试 yolov8改进
于 2024-06-04 15:45:00 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/139426599
版权
YOLOv8改进有效涨点 专栏收录该内容
125 篇文章 60 订阅 ¥159.90 ¥299.90
订阅专栏
本文介绍了SimAM，一种轻量级注意力模块，用于增强神经网络表示能力。通过详细解释SimAM的原理、实现步骤，并提供在YOLOv8中添加SimAM的教程，包括修改代码、注册模块和配置文件，帮助读者理解并实践这一机制，以提升目标检测性能。
摘要由CSDN通过智能技术生成

💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡

压缩和激励模块（SE）以及空间通道注意力模块（CBAM）的注意力机制取得了巨大成功。本文介绍了一种简单而有效的替代模块，即简单注意力模块（SimAM）。SimAM模块是一个即插即用的模块，无需额外的模态参数。在本文中，给大家带来的教程是在原来的主干网络添加SimAM。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. SimAM的代码实现

2.1 将SimAM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

了解本专栏 订阅专栏 解锁全文
kay_545
关注
专栏目录
订阅专栏
YOLOv5改进实战 | 添加注意力机制（一）之SimAM篇
w94ghz的博客
10-02 2795
yolov5添加SimAM注意力机制（非通道数注意力）
m0_49586319的博客
08-25 1078
yolov5,yolov7添加SimAM注意力机制
【10】yolov8目标检测模型改进之添加注意力机制
m0_45426637的博客
09-05 6848
一段时间的折腾之后，终于对添加注意力机制的代码操作了解了不少，写个笔记，以免忘记，也和大家一起分享。但仅仅对如何修改代码以能够添加相应模块进行说明。首先，将注意力机制模块分为三类：无参数注意力机制、一个通道数(一个参数)注意力机制以及两个通道数(两个参数)注意力机制。
改进YOLOv7系列：24.添加SimAM注意力机制
热门推荐
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改进：SA注意力机制【注意力系列篇】（附详细的修改步骤，以及代码，与其他一些注意力机制相比，不仅准确度更高，而且模型更加轻量化。）
2401_85556416的博客
09-18 1814
然而，传统的卷积操作在处理不同区域的特征时，并没有区分出哪些特征更为重要，这导致了网络在对输入特征的提取和利用方面存在一定的局限性。其独特的打乱操作和通道、空间注意力的结合，既保证了特征之间的有效交互，又保持了计算开销的低廉。现有的注意力机制，如SE-Net（Squeeze-and-Excitation Networks）和CBAM（Convolutional Block Attention Module），虽然在提升模型性能方面取得了显著的效果，但其设计通常伴随着较高的计算开销或复杂的模型结构。
YOLOv8改进 - 注意力篇 - 引入SimAM注意力机制
浪子L的博客
10-08 1567
YOLOv8改进 - 注意力篇 - 引入SimAM注意力机制
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 1550
yolov5改进，创新，yolov5添加注意力机制
YOLOv5改进——添加SimAM注意力机制
最新发布
2302_80099075的博客
10-09 636
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。
【即插即用】SimAM无参数注意力机制（附源码）
weixin_45694817的博客
03-20 2410
在这篇论文里，我们提出了一种概念简单但非常有效的注意力模块，用于卷积神经网络（ConvNets）。与现有的通道式和空间式注意力模块不同，我们的模块在不增加原网络参数的情况下，为每一层的特征图推导出3D注意力权重。具体来说，我们基于一些广为人知的神经科学理论，提出优化一个能量函数来找出每个神经元的重要性。我们还为这个能量函数推导出了一个快速的封闭形式解，这个解只需要不到十行代码就能实现。这个模块的另一个优点是，大多数操作符都是基于定义的能量函数的解来选择的，这样就避免了过多的结构调整工作。
（超详细）2-YOLOV5改进-添加SimAM注意力机制
qq_44421796的博客
01-10 1812
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，
YOLOv10改进 | 独家创新- 注意力篇 | YOLOv10引入结合SimAM和SKAttention形成全新的SKAM注意力机制和C2f_SKAM(全网独家创新)
tsg6698的博客
07-18 8994
总结：SKAM注意力机制通过结合SimAM和SKAttention的优点，利用多尺度特征提取和局部归一化处理，提供了更为强大的特征表示能力。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~- 虽然SKAttention具有更高的计算复杂度，但通过结合计算简单的SimAM，SKAM在保持高效特征提取的同时，降低了整体的计算开销。
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
《YOLOv8改进有效涨点》专栏介绍 & 专栏目录 | 目前已有110+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进
kay_545
06-17 3347
yolov8改进机制，上百种创新技巧详细介绍
YOLOv10改进 | 独家创新- 注意力篇 | YOLOv10引入结合SimAM和iRMB形成全新的iSMB(全网独家创新)
tsg6698的博客
07-15 284
其次，iSMB在注意力计算中采用了可学习的缩放因子，这使得模型能够根据不同场景和任务动态调整注意力的范围和重要性，从而在保持全局一致性的同时，更好地适应局部细节的变化和特征的多样性。此外，iSMB还结合了自适应的特征重组和局部卷积操作，进一步增强了模型对局部特征的捕获和处理能力。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~
YOLOv10涨点改进：注意力魔改 | SimAM（无参Attention），一种轻量级的自注意力机制，效果秒杀CBAM、SE
05-31 1545
SimAM（无参Attention），效果秒杀CBAM、SE
YOLOv5改进系列：引入SimAM注意力机制提升计算机视觉
YjmnDatabase的博客
09-21 296
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。
SimAM：轻量级注意力机制，解锁卷积神经网络新潜力【原理讲解及代码！！！】
xiaoh_7的博客
03-25 9402
SimAM 是一种轻量级、无参数的卷积神经网络注意力机制，它通过计算特征图的局部自相似性来生成注意力权重，无需引入任何额外参数，即可有效提升 CNN 的性能。
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 1186
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。
SimAM注意力机制解析
Phoenix_desi的博客
06-26 1167
与其在通道维度（第2和第3维度）上的均值之差的平方。即，它计算了每个像素值与通道内所有像素均值的差的平方。这样，你就可以保留原始张量的批量大小和通道数，同时获得每个图像（或每个通道的图像）的平均值。的平均值（注意这里减去了1，可能是为了避免中心像素的权重过高，但这也取决于SimAM的具体实现和目的）。（这是一个常见的四维张量形状，用于表示一批图像数据，其中每个图像有多个通道，如RGB）。在第2和第3维度（即高度和宽度维度）上的和，并保持这两个维度的维度数（由于。的操作实际上是在计算每个通道内所有像素的。
yolov8添加SimAM
10-05
yolov8添加SimAM注意力机制的步骤如下: 1. 首先，在YOLOv8的代码库中添加SimAM注意力机制的相关文件，例如SimAM.yaml。 2. 在common.py配置文件中进行相应的配置，包括引入SimAM注意力机制的模块和参数设置。 3. 在yolo.py配置文件中对SimAM注意力机制进行具体的配置，例如设置SimAM注意力机制的位置和参数。 4. 进行模型的训练，确保SimAM注意力机制被正确地应用到yolov8模型中。 请问还有其他问题需要我解答吗？
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