自我介绍:本人硕士期间全程放养,目前成果:一篇北大核心CSCD录用,两篇中科院三区已见刊,一篇中科院三区在投。如何找创新点,如何放养过程厚积薄发,如何写中英论文,找期刊等等。本人后续会以自己实战经验详细写出来,还请大家能够点个关注和赞,收藏一下,谢谢大家。
1. 文章主要内容
本篇博客主要涉及通道注意力机制ECA与YOLOv5当中C3结构融合,从而设计一种新的C3ECA结构,让模型高效涨点。(通读本篇博客需要7分钟左右的时间)。
2. ECA通道注意力机制原理
简单的来讲是,ECA能够对通道维度的特征进行关注,提取到更多有用的数据目标信息。具体的原理解析推荐博客:ECA-Net:深度卷积神经网络的高效通道注意力机制。
3 详细代码改进流程(含本人经验)
3.1 ECA源代码(大家自己创建ECA.py文件)
import torch
from torch import nn
from models.common import Conv, Bottleneck
class ECAAttention(nn.Module):
def __init__(self, channel, kernel_size=5, stride=1, padding=1, gamma=2, b=1):
super(ECAAttention, self).__init__()
# k = int(abs((math.log(in_channel, 2) + b) / gamma))
#kernel_size = k if k % 2 else k + 1
padding = kernel_size // 2
self.pool = nn.AdaptiveAvgPool2d(1)
self.conv = nn.Sequential(
nn.Conv1d(in_channels=1, out_channels=1, kernel_size=kernel_size,stride=stride, padding=padding, bias=False),
nn.Sigmoid()
)
def forward(self, x):
out = self.pool(x)
out = out.view(x.size(0), 1, x.size(1))
out = self.conv(out)
out = out.view(x.size(0), x.size(1), 1, 1)
return out * x
class C3ECA(nn.Module):
def __init__(self, c1, c2, n=1, shortcut=True, g=1,
e=0.5): # ch_in, ch_out, number, shortcut, groups, expansion #iscyy
super(C3ECA, self).__init__()
c_ = int(c2 * e) # hidden channels
self.eca = ECAAttention(2 * c_)
self.cv1 = Conv(c1, c_, 1, 1)
self.cv2 = Conv(c1, c_, 1, 1)
self.cv3 = Conv(2 * c_, c2, 1) # act=FReLU(c2)
# self.m = nn.Sequential(*[CB2d(c_) for _ in range(n)])
self.m = nn.Sequential(*[Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)])
def forward(self, x):
out = torch.cat((self.m(self.cv1(self.eca(x))), self.cv2(self.eca(x))), dim=1)
out = self.cv3(out)
return out
if __name__ == '__main__':
input = torch.randn(512, 512, 7, 7)
pna = C3ECA(512, 512)
output = pna(input)
print(output.shape)
3.2 建立一个yolov5-eca.yaml文件
按本人经验来说,ECA属于通道注意力机制,YOLOv5中的C3结构分布在BackBone和Neck部分,层次越深,一般来讲通道维数就越高,通道里的特征就越丰富,所以尽量将ECA放在BackBone和Neck的后两个C3部分,不过因数据集的不同,并不一定放后面的效果好,大家可以多尝试,做一些消融的实验。本篇博客将C3ECA替换掉Backbone的后两个C3结构,具体的代码如下所示(注意nc改为自己数据集的类别):
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# Parameters
nc: 4 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors:
- [10,13, 16,30, 33,23] # P3/8 小目标
- [30,61, 62,45, 59,119] # P4/16 中目标
- [116,90, 156,198, 373,326] # P5/32 大目标
# YOLOv5 v6.0 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2 output_channel, kernel_size, stride, padding
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 6, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3ECA, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3ECA, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# YOLOv5 v6.0 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
3.3 将C3ECA引入到yolo.py文件中
在下图的位置处,引入相关的类即可。
3.4 修改train.py启动文件
修改配置文件为yolov5-eca.yaml即可,如下图所示:
4. 总结
本篇博客主要介绍了ECA融合到YOLOv5模型,从而设计一种新的结构C3ECA,增强模型对通道特征的提取能力,高效涨点。另外,在修改过程中,要是有任何问题,评论区交流;如果博客对您有帮助,请帮忙点个赞,收藏一下;后续会持续更新本人实验当中觉得有用的点子,如果很感兴趣的话,可以关注一下,谢谢大家啦!