YOLOv5改进系列（7）——添加SimAM注意力机制

已于 2023-10-03 15:37:53 修改
阅读量4k 收藏 17
点赞数 9
分类专栏： YOLOv5入门＋实践＋改进 文章标签： YOLO 目标检测 计算机视觉 人工智能 注意力机制
于 2023-06-04 16:01:20 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/weixin_43334693/article/details/131031541
版权

962f7cb1b48f44e29d9beb1d499d0530.gif【YOLOv5改进系列】前期回顾： 

YOLOv5改进系列（0）——重要性能指标与训练结果评价及分析

YOLOv5改进系列（1）——添加SE注意力机制

YOLOv5改进系列（2）——添加CBAM注意力机制

YOLOv5改进系列（3）——添加CA注意力机制

YOLOv5改进系列（4）——添加ECA注意力机制

YOLOv5改进系列（5）——替换主干网络之 MobileNetV3

YOLOv5改进系列（6）——替换主干网络之 ShuffleNetV2

 

目录

🚀一、SimAM介绍

1.1 简介

1.2 方法

🚀二、在backbone末端添加SimAM注意力机制方法

2.1 添加顺序 

2.2 具体添加步骤 

第①步：在common.py中添加SimAM模块

第②步：在yolo.py文件里的parse_model函数加入类名

第③步：创建自定义的yaml文件 

第④步：验证是否加入成功

第⑤步：修改train.py中 ‘--cfg’默认参数

了解本专栏 订阅专栏 解锁全文 超级会员免费看
路人贾'ω'
关注
  • 9
    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添加SimAM注意力机制（非通道数注意力）
m0_49586319的博客
08-25 968
yolov5,yolov7添加SimAM注意力机制
改进YOLOv5 | 在 C3 模块中添加【SimAM】【CoTAttention】【SKAttention】【DoubleAttention】注意力机制
weixin_39818775的博客
05-09 857
YOLOv5 是一个强大的目标检测模型，在 COCO 数据集上取得了 state-of-the-art 的结果。为了进一步提高 YOLOv5 的性能，本文提出了一种改进方案，在 C3 模块中添加 SimAM、CoTAttention、SKAttention 和 DoubleAttention 注意力机制。
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
05-31 947
SimAM（无参Attention），效果秒杀CBAM、SE
（超详细）2-YOLOV5改进-添加SimAM注意力机制
qq_44421796的博客
01-10 1586
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，
改进YOLOv5 | 在 C3 模块中添加【SimAM】【CoTAttention】【SKAttention】【DoubleAttention】注意力机制 | 附详细结构图
YOLOv8项目贡献者
05-17 4076
在 C3 模块中添加【SimAM】【CoTAttention】【SKAttention】【DoubleAttention】注意力机制 | 附详细结构图
YOLOv5改进实战 | 添加注意力机制（一）之SimAM篇
w94ghz的博客
10-02 2473
CBAM注意力机制代码，以及如何对yolov5进行改进
12-06
具体实现时，需要将CBAM的源代码集成到YOLOv5的模型结构中，这通常涉及到修改网络定义文件（如`model.py`），在相应的位置添加注意力模块的代码。 在Python中，这可能涉及到以下步骤： 1. 导入必要的库，如`torch....
Yolov5的烟火检测——C++实现模型部署
03-09
"Yolov5的烟火检测——C++实现模型部署" 这个标题揭示了我们讨论的核心内容是使用YOLOv5模型进行烟火（火灾）检测，并且这个模型已经被实现在C++环境中，以便在各种平台，如安卓或iOS上部署。 **描述分析：** 描述...
可以训练yolov5(v6.0)、yolox、小型网络，添加注意力机制
02-06
为了在YOLOv5v6.0或YOLOX中添加注意力机制，首先需要了解这些网络的架构，然后选择合适的注意力模块进行融合。这通常涉及修改模型的源代码，将注意力模块集成到网络的卷积层或者特征提取阶段。此外，还需要调整训练...
本科毕设-YOLOV5+注意力机制训练测试源码
06-28
包括YOLOV5复现，YOLOV5加注意力机制改进，成功将在VOC数据集上的精确度由76%提升至77%。 包括训练及测试代码，仅包括代码，本人已经调通，仅需要更改路径即可。不包含预训练权重，资源仅包含本人实现的全部代码，不...
yolov8结合se注意力机制提升检测效果
03-01
卷积神经网络建立在卷积运算的基础上，它通过在局部感受... SENets 构成了我们 ILSVRC 2017 分类提交的基础，该分类提交赢得了第一名，并将 top-5 错误率显着降低至 2.251%，与 2016 年获胜条目相比相对提高了约 25%。
yolov5改进之加入CBAM,SE,ECA,CA,SimAM,ShuffleAttention,Criss-CrossAttention,CrissCrossAttention多种注意力机制
Wansit的博客
01-28 1万+
yolov5改进之加入CBAM等多种注意力机制
YOLOv5 、YOLOv8改进 ：SimAM：无参数的注意力机制
weixin_45303602的博客
08-11 601
与现有的通道关注模块和空间关注模块相比，我们的模块无需向原始网络添加参数，而是在一层中推断特征图的3-D关注权重。具体来说，我们基于一些著名的神经科学理论，提出优化一个能量函数来发现每个神经元的重要性。该模块的另一个优点是，大多数算子是根据定义的能量函数的解来选择的，避免了在结构调整上花费太多精力。通过对各种视觉任务的定量评估，证明了该模块的灵活性和有效性，提高了许多ConvNets的表达能力。然而，人脑的两种注意力往往是协同工作，因此，我们提出了统一权值的注意力模块。yaml文件配置如下。
目标检测算法——YOLOv5/YOLOv7改进之结合无参注意力SimAM（涨点神器）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
10-24 1万+
目标检测算法——YOLOv5/YOLOv7改进之结合无参注意力SimAM
【YOLO系列】YOLOv5超详细解读（源码详解＋入门实践＋改进）
热门推荐
路人贾的博客
03-03 11万+
一文带你详细了解YOLOv5（含YOLO系列论文讲解+源码详解+入门实践+算法改进）
YOLO之boxes小记
最新发布
liujianjun1536500976的专栏
07-06 145
【代码】YOLO之boxes小记。
YOLO 应用
weixin_46807151的博客
07-04 179
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。
YOLOv8模型调参---数据增强
weixin_45303602的博客
07-04 770
离线增强是指在模型训练前在计算机上一次性完成所有数据增强操作，将原始数据集转化为包含多种增强版本的扩充数据集，并将增强后的样本保存到磁盘或内存中，然后使用这个固定的扩充数据集进行训练。
YOLO V7项目使用
xiaoxu的博客
07-05 1012
同样在使用yolo v7项目启动时也会和v5项目一样发生类似的报错信息。我第一次下载的项目使用的是github上下载的压缩包文件，经过解压之后导入的pycharm，在启动验证的时候缺少git相关的文件导致启动失败。安装GPU(CUDA)版本的torch，之后我们在执行训练模型的文件将整个YOLO v7项目启动失败（先卸载之前pip安装的cpu版本）YOLO v7中的拓展功能测试（关键点检测）提前手动下载所需要的yolov7-w6-pose.pt文件。这是我们默认使用的就是GPU的环境。
yolov5 simam注意力机制
08-19
Yolov5 SimAM是Yolov5目标检测算法中的一种注意力机制。SimAM是一种无参注意力机制，与SE（Squeeze-and-Excitation）、CBAM（Convolutional Block Attention Module）、ECA（Efficient Channel Attention）等相比，在推理速度方面表现相当，优于CBAM和SRM（Selective Refinement Module）。SimAM可以通过在Yolov5的配置文件.yaml中进行相应的配置来启用。 注意力机制在计算机视觉领域中被广泛应用，用于提取图像中重要的特征信息。SE、Coordinate Attention、CBAM、ECA、SimAM等都是常见的注意力机制。每种注意力机制都有其独特的原理和应用场景。SE注意力机制主要关注通道间的关系，CBAM注意力机制则结合了通道注意力和空间注意力，ECA注意力机制则通过计算通道之间的自适应加权系数来增强特征表示能力，而SimAM是一种无参注意力机制，不需要额外的参数学习。 总之，Yolov5中的SimAM注意力机制是一种推理速度较快且表现优秀的无参注意力机制，可以通过在配置文件.yaml中进行相应的配置来启用。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [Yolov5添加注意力机制](https://blog.csdn.net/m0_56247038/article/details/124845508)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [目标检测算法——YOLOv5/YOLOv7改进之结合无参注意力SimAM（涨点神器）](https://blog.csdn.net/m0_53578855/article/details/127419661)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“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 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

路人贾'ω'

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