YOLOv10改进 | 注意力篇 | 手把手教你在YOLOv10上缝合高效多尺度注意力(EMA)模块（图像分类和目标检测等任务通用）ICASSP2023中稿论文

已于 2024-09-17 21:44:05 修改
阅读量324 收藏 1
点赞数 11
分类专栏： YOLOv8v10 创新改进+前往b站关注AI缝合怪订阅 YOLOv8 创新改进+前往b站关注:AI缝合怪订阅 文章标签： YOLO 目标检测 人工智能 深度学习 计算机视觉 yolov8 YOLOv10
于 2024-09-09 21:44:37 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/qq_45972324/article/details/142068724
版权

YOLOv8v10专栏限时99元订阅链接：限时99元去b站关注：AI缝合怪订阅YOLOv8v10 创新改进高效涨点+持续改进300多篇

（订阅的小伙伴，终身免费享有后续YOLOv11或是其他版本的改进专栏）

目录

一、EMA模块介绍

本文创新点：

EMA模块结构图

​  二、EMA核心代码

三、手把手教你添加EMA模块和修改task.py文件

1.首先在yolov10/ultralytics/nn/newsAddmodules创建一个.py文件

2.在yolov10/ultralytics/nn/newsAddmodules/__init__.py中引用

3.修改task.py文件

四、创建涨点yaml配置文件

参考版本1 : yolov10n_EMA.yaml

 参考版本1 :正常运行​编辑

 参考版本2 : yolov10n_C2f_EMA.yaml

          参考版本2 :正常运行​编辑

五、本文总结

一、EMA模块介绍

了解本专栏 订阅专栏 解锁全文
YOLOv8改进 | 注意力机制 | 增强模型在图像分类和目标检测BAM注意力【小白必备 + 附完整代码】
kay_545
07-06 1062
yolov8改进，yolov8添加注意力机制，yolov8，bam注意力机制，bamblock
YOLOv10海上红外目标检测+代码+模型+系统界面+教学视频.zip
08-07
手把手教你使用YOLOV10做海上船只红外目标检测的训练、测试和界面封装，包含了YOLOV10原理的解析、处理好的训练集和测试集、训练和测试的代码以及训练好的模型，并封装为了图形化界面，只需点击上传按钮上传图像即可...
YOLOv8改进 | 注意力机制| 对小目标友好的BiFormer【CVPR2023】
kay_545
07-11 2366
yolov8，yolov8改进，Biformer
YOLOv8改进 | 模块缝合 | C2f 融合REPVGGOREPA提升检测性能【详细步骤 完整代码】
kay_545
09-04 1243
YOLOv8 yolov8融合改进， C2f_REPVGGOREPA
EMA：基于跨空间学习的高效多尺度注意力模块
热门推荐
AI浩
06-23 1万+
在各种计算机视觉任务中，通道或空间注意力机制在产生更清晰的特征表示方面的显著有效性得到了证明。然而，通过通道降维来建模跨通道关系可能会给提取深度视觉表示带来副作用。提出了一种新的高效的多尺度注意力(EMA)模块。以保留每个通道上的信息和降低计算开销为目标，将部分通道重塑为批量维度，并将通道维度分组为多个子特征，使空间语义特征在每个特征组中均匀分布。具体来说，除了对全局信息进行编码以重新校准每个并行分支中的通道权重外，还通过跨维度交互进一步聚合两个并行分支的输出特征，以捕获像素级成对关系。
手把手教你搭建YOLOv5：从环境配置到模型训练.txt
09-29
手把手教你搭建yolov5
手把手教你yolov8如何从入门到精通
02-24
yolov8手把手教你yolov8如何从入门到精通手把手教你yolov8如何从入门到精通手把手教你yolov8如何从入门到精通手把手教你yolov8如何从入门到精通手把手教你yolov8如何从入门到精通手把手教你yolov8如何从入门到精通...
手把手教你搭建yolov5.zip
09-29
手把手教你搭建yolov5
YoloV7实战：手把手教你使用Yolov7进行物体检测（附数据集）源码
10-12
YOLOv7 在 5 FPS 到 160 FPS 范围内的速度和准确度都超过了所有已知的物体检测器，并且在 GPU V100 上 30 FPS 或更高的所有已知实时物体检测器中具有最高的准确度 56.8% AP。...
基于yolov8的海上红外目标系统python源码+onnx模型+评估指标曲线+精美GUI界面
FL1623863129的博客
09-27 1084
【算法介绍】基于YOLOv8的海上红外目标系统是一项集成了前沿技术的创新解决方案，专为复杂海洋环境下的目标检测而设计。该系统利用YOLOv8深度学习模型的强大目标检测能力，结合红外成像技术，实现了对海上小型船只、浮标、甚至水下潜器等目标的快速、准确检测。YOLOv8作为YOLO系列的最新版本，在检测精度和速度上均有显著提升，尤其适用于高动态和复杂场景。通过红外成像，该系统能够在夜间或低能见度条件下有效捕捉目标，克服了传统可见光相机的局限性。
Windows环境下Mamba-Yolo的运行环境搭建
并不傻的袍子
09-26 682
手动将下载的selective_scan_cuda.cp310-win_amd64.pyd文件手动复制到创建的虚拟环境mambayolo的DLLs文件下。（下载方式见下方）selective_scan安装不成功，是因为selective_scan只有对应Linux的库，没有对应Windows的库，所以需要对selective_scan的源码进行一些修改（以适应Windows的编译环境），然后使用源码编译和安装，这一步比较困难（
YOLOv9改进，YOLOv9主干网络替换为PP-LCNetV2(百度飞浆视觉团队自研，轻量化架构)，全网独发
weixin_44779079的博客
09-27 300
PP-LCNetV2模型结构如下：在PP-LCNetV1基础上重参数化策略组合了不同大小卷积核的深度卷积，并优化了点卷积、Shortcut等。
YOLOv7改进之MAE主干： 超强ConvNeXtV2 升级版结构，当MAE+YOLO卷积高效涨点
qq_53545309的博客
09-27 134
在改进的架构和更好的表示学习框架的推动下，视觉识别领域在 2020 年代初期实现了快速的现代化和性能提升。例如，以 ConvNeXt [52] 为代表的现代 ConvNet 在各种场景中都表现出了强大的性能。虽然这些模型最初是为使用 ImageNet 标签的监督学习而设计的，但它们也有可能受益于自我监督学习技术，例如掩码自动编码器 （MAE） [31]。然而，我们发现，简单地将这两个 ap proaches 结合起来会导致性能不佳。
YoloV10改进策略：BackBone改进|RIFormer在YoloV10中的创新应用与显著性能提升
最新发布
m0_47867638的博客
10-01 432
RIFormer是一种经过精心设计的视觉骨干网络，其核心在于去除了传统视觉Transformer（ViTs）中的复杂令牌混合器（token mixer），如自注意力机制，转而采用一种简化的恒等映射结构。这一设计极大地降低了模型的计算复杂度，同时保留了足够的建模能力。通过结合知识蒸馏和结构重参数化技术，RIFormer能够在保持高效率的同时，实现与复杂模型相媲美的性能，为边缘设备上的视觉任务提供了理想选择。
yolo自动化项目实例解析（六）自建UI（主窗口、预览窗口）
默子昂
09-26 913
1、新建项目-窗口部件--QDockWidget （483X565）2、添加两个label 大小480 X 270 ，设置样式表3、添加按钮 修改按钮文本 + -#寻路标签背景颜色为黑色#标签背景颜色为灰色这里图里搞错了，yolo那个label应该设置为2、组件名称修改DockWidgetbt_jiabt_jianlb_xunlulb_yolov# 无参数信号，可能用于触发显示某个路径或轨迹的操作# 无参数信号，可能与YOLOv模型有关，用于触发显示模型输出或其他相关操作。
基于yolov5滑块识别破解（二）
qq_65960840的博客
09-25 536
在上一篇文章中我们已经完成了yolov5的部署和训练，接下来我们将对源码进行改动，来实现滑块的自动滑动破解。
YOLOv9改进 | 主干改进篇，华为的轻量化架构GhostNetV2改进特征提取网络
weixin_44779079的博客
09-26 227
GhostNetV2 架构通过引入DFC 注意力，提升了网络的表达能力，同时保持了在移动设备上的高效性。DFC 注意力机制使用两个解耦的全连接层来处理特征图的水平和垂直方向。通过将输入特征图沿水平方向和垂直方向进行特征聚合，DFC注意力机制能够捕捉到全局信息，并提升模型的表达能力
ultralytics yolo v8 示例：加载官方模型进行推理
Eric.Lee的博客
09-29 290
ultralytics yolo v8 示例：加载官方模型进行推理
即插即用篇 | DenseNet卷土重来! YOLOv8 引入全新密集连接卷积网络 | ECCV 2024
YOLOv8项目贡献者
09-26 1148
即插即用篇 | DenseNet卷土重来! YOLOv8 引入全新密集连接卷积网络 | ECCV 2024
手把手带你yolov5 (v6.1)添加注意力机制(二)(在c3模块中加入注意力机制)
08-26
手把手带你在Yolov5 (v6.1)的C3模块中添加注意力机制。 首先，为了在C3模块中加入注意力机制，我们需要在yolov5/models模块中的common.py文件中进行修改。 1. 打开common.py文件，找到C3模块的定义代码。 C3模块的定义通常如下所示： ```python class C3(nn.Module): # ... def __init__(self, c1, c2, c3, c4, c5, shortcut, g): # ... def forward(self, x): # ... ``` 2. 在C3类的初始化函数中添加注意力机制所需的参数。注意力机制通常通过使用Squeeze-and-Excitation（SE）模块来实现，该模块包括一个全局平均池化层和两个全连接层。 ```python class C3(nn.Module): # ... def __init__(self, c1, c2, c3, c4, c5, shortcut, g): super(C3, self).__init__() # 添加注意力机制参数，g代表SE模块中的通道缩放比例 self.se = nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Conv2d(c3, c3 // g, kernel_size=1, stride=1, padding=0), nn.ReLU(inplace=True), nn.Conv2d(c3 // g, c3, kernel_size=1, stride=1, padding=0), nn.Sigmoid() ) # ... ``` 3. 在C3类的前向传播函数中应用注意力机制。首先，计算注意力权重，并将其应用于C3模块的输入特征图上。 ```python class C3(nn.Module): # ... def forward(self, x): # ... # 计算注意力权重 attentions = self.se(x) # 注意力加权 x = x * attentions # ... return x ``` 4. 保存文件并退出编辑器。 现在，C3模块中已经加入了注意力机制。这将使得模型能够更加关注重要的特征图区域，提升目标检测的性能。
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
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