YOLOv9改进，YOLOv9添加可变形自注意力机制(DAttention)

已于 2024-10-07 18:22:46 修改
阅读量375 收藏
点赞数 6
分类专栏： YOLOv9改进 文章标签： YOLO 目标检测 计算机视觉 人工智能 深度学习 python
于 2024-07-12 17:11:46 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_44779079/article/details/140383711
版权
YOLOv9改进 专栏收录该内容
47 篇文章 6 订阅 ¥199.90 ¥299.90
订阅专栏

在这里插入图片描述

文章目录

  • 前言
  • 🎓一、YOLOv9原始版本代码下载
    • 🍀🍀1.yolov9模型结构图
    • 🍀🍀2.环境配置
  • 🎓二、DAttention代码
  • 🎓三、在YOLOv9添加DAttention代码
    • 🍀🍀1.在modules目录下添加上述的DAttention代码
    • 🍀🍀2.在__init__.py文件导入DAttention模块，
    • 🍀🍀3.在yolo.py文件导入改进的模块
  • 🎓四、yaml文件修改
    • 🍀🍀1.在主干添加
  • 🎓五、训练文件修改
  • 总结

前言

在本文中，提出了一种新颖的可变形自注意模块，其中键和值对在自我注意中的位置是以数据相关的方式选择。这种灵活的方案使自我关注模块能够专注于相关的区域，并捕捉更多信息特征。在此基础上，提出了可变形注意力变换器，一个具有可变形注意力的两幅图像主干模型分类和密集预测任务。DAttention注意机制理论详解可以参考链接: 论文地址）

🎓一、YOLOv9原始版本代码下载

如果之前有在我的网盘下载的YOLOv9源码的就不需要重新下载了，没有下载从我的网盘下载
链接: 源码下载
提取码: eajp

🍀🍀1.yolov9模型结构图

根据yolov9.yaml画出yolo整体结构图，如下图所示<

了解本专栏 订阅专栏 解锁全文
挂科边缘
关注
专栏目录
订阅专栏
YOLOv10改进｜采用ADown降采样模块有效融合
“365天深度学习训练营”报名进行中～
06-12 772
理论上，正确流程应该是：通过理论推导，获取合理的改进方案（即：设计、修改、调整模块等等），通过实验验证方案的有效性，进而将成果转化为科研论文。我们能做的就是基于现有知识，对YOLOv10进行尝试性改进，一旦发现了某个突破口，则对该点进行展开分析，对改进方案进行深入研究探索。还是那句话，不是ADown模块的原理不重要，而是在做创新这件事情上，我们要功利一些。像我在前面提到的那样，现阶段以学习为主，尝试将自己的想法加以实践，进而实验验证。**第一步：**在block.py文件中新增ADown类。
YOLOv9改进策略【注意力机制篇】| 添加SE、CBAM、ECA、CA、Swin Transformer等注意力和多头注意力机制
qq_42591591的博客
08-22 1491
这篇文章带来一个经典注意力模块的汇总，虽然有些模块已经发布很久了，但后续的注意力模块也都是在此基础之上进行改进的，对于初学者来说还是有必要去学习了解一下，以加深对模块，模型的理解。
YOLOv9有效提点|加入SGE、Ge、Global Context、GAM等几十种注意力机制（四）
深度学习炼丹师，偶尔分享炼丹技术!
03-02 1852
本文只有代码及注意力模块简介，YOLOv9中的添加教程：可以看之前的文章。
可变形注意力总结
m0_60857098的博客
08-29 115
【代码】可变形注意力总结。
YOLOv9改进，YOLOv9添加NAM注意力机制并与RepNCSPELAN4结构融合
最新发布
weixin_44779079的博客
08-31 152
我们提出了NAM作为一种高效且轻量级的注意机制。我们采用了CBAM中的模块整合方法，并重新设计了通道和空间注意子模块。然后，在每个网络块的末端嵌入NAM模块。对于残差网络，它被嵌入到残差结构的末端。我们还对空间维度应用BN的缩放因子来衡量像素的重要性。我们称之为像素归一化。对应的空间注意子模块如图2。NAM的优势1.高效性：通过使用BN的缩放因子，我们能够高效地衡量通道和像素的重要性，而不会显著增加计算复杂度。2.轻量级：NAM模块结构简单且易于嵌入现有网络架构中。
YOLOv9改进，YOLOv9添加GAM注意力机制
weixin_44779079的博客
07-09 505
全局注意力机制（GAM），通过减少信息减少和放大全局交互表示来提高深度神经网络的性能。引入了带有多层感知器的 3D 排列，用于通道注意力以及卷积空间注意力子模块，GAM注意机制理论详解可以参考链接:论文地址）
YOLOv9有效提点|加入SE、CBAM、ECA、SimAM等几十种注意力机制（一）
深度学习炼丹师，偶尔分享炼丹技术!
03-01 6524
本文整合了二十余种注意力机制及在YOLOv9中的添加教程！
YOLOv5改进 | 注意力篇 | BiFormer双层路由注意力机制(Bi-level Routing Attention)
Snu77的博客
12-29 3298
BiFormer是一种结合了Bi-level Routing Attention的视觉Transformer模型，BiFormer模型的核心思想是引入了双层路由注意力机制。在BiFormer中，每个图像块都与一个位置路由器相关联。这些位置路由器根据特定的规则将图像块分配给上层和下层路由器。上层路由器负责捕捉全局上下文信息，而下层路由器则负责捕捉局部区域的细节。 具体来说，上层路由器通过全局自注意力机制对所有图像块进行交互，并生成全局图像表示。下层路由器则使用局部自注意力机制对每个图像块与其邻近的图像块进行
FFA-Net：用于单图像去雾的特征融合注意力网络
AI浩
06-05 2400
论文链接：https://arxiv.org/pdf/1911.07559v2在这篇论文中，我们提出了一种端到端的特征融合注意力网络（FFA-Net）来直接恢复无雾图像。FFA-Net架构由三个关键组件组成：一种新颖的特征注意力（FA）模块结合了通道注意力与像素注意力机制，考虑到不同通道特征包含完全不同的加权信息，且雾在图像的不同像素上分布不均匀。FA模块对不同的特征和像素进行非等权重处理，这在处理不同类型的信息时提供了额外的灵活性，扩展了卷积神经网络（CNNs）的表示能力。
YOLOv9改进 添加新型卷积注意力框架SegNext_Attention
分享一些自己改进代码的实例
03-12 589
在yolov9中加入新型卷积注意力框架SegNext_Attention，能够更好地利用全局上下文信息，并且能够对感兴趣的区域进行更加准确的注重，从而提高图像分割的性能。
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 11万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOLOv10改进 | 添加注意力机制 | 添加DAttention (DAT)注意力机制实现极限涨点
Snu77的博客
07-13 998
本文给大家带来的是YOLOv10改进的教程，其发布于2022年CVPR2022上同时被评选为Best Paper由此可以证明其是一种十分有效的改进机制，其主要的核心思想是引入可变形注意力机制和动态采样点(听着是不是和可变形动态卷积DCN挺相似)。同时在网络结构中引入一个DAT计算量由8.9GFLOPs涨到了9.4GFLOPs。本文的讲解主要包含三方面：DAT的网络结构思想、DAttention的代码复现，如何添加DAttention到你的结构中实现涨点，下面先来分享我测试的对比图。
YOLOv8改进，YOLOv8添加DAttention注意力机制
weixin_44779079的博客
07-04 1307
在本文中，提出了一种新颖的可变形自注意模块，其中键和值对在自我注意中的位置是以数据相关的方式选择。这种灵活的方案使自我关注模块能够专注于相关的区域，并捕捉更多信息特征。在此基础上，提出了可变形注意力变换器，一个具有可变形注意力的两幅图像主干模型分类和密集预测任务。CA注意机制理论详解可以参考链接:论文地址）
YOLOv10涨点改进｜添加可变形注意力机制DAttention
“365天深度学习训练营”报名进行中～
07-05 574
👉 独家改进，对现有YOLOv10进行二次创新，提升检测精度，适合科研创新度十足，强烈推荐🌟 统一使用 YOLOv10 代码框架，💥 本博客包含大量的改进方式，降低改进难度,改进点包含【Neck特征融合】【Head检测头】【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】【标签分配策略】【激活函数】等各个部分。🔥 专栏创新点教程均有不少同学反应和我说已经在自己的数据集上有效涨点啦！！
yolov9不同版本区别
weixin_44394479的博客
05-03 648
yolov9-e 是ADown+cblinear 5 6头。gelan-e是ADown+CBLinear5 3头。yolov9-c 是ADown+CBLinear3。yolov9是conv+CBLinear。gelan-c是ADown。gelan是conv。
YOLOv9改进 | 提供YOLOv9全系列支持YOLOv9n、YOLOv9s、V9m、V9l、V9x的修改方式（全网独家首发）
Snu77的博客
03-04 8062
​ 大家好，本文给大家带来的是2024年2月21日全新发布的SOTA模型YOLOv9的补全教程（算是一种补全吧我个人认为），大家了解V7的人都知道V7系列是不支持模型深度和宽度的修改的也就是没有办法像YOLOv8那样有多个版本（例如：V9n、V9s、V9m、V9l、V9x这样），所以我也是在YOLOv9最新版本的基础上给大家把这个共功能添加上了（修改模型的深度和宽度从而产生达到不同版本的效果），本文的内容均为我个人整理和撰写，创作不易，大家可以帮忙点赞评论支持一下！
目标检测YOLO系列算法——YOLOv1-YOLOv9详细介绍
Python_zzm的博客
07-28 1688
和YOLOv4 的主干网络相同，都采用了基于CSP结构的CSPDarkNet网络，不同的是，在YOLOv4中，CSPDarkNet遵循“12884”的设计来得到CSPDarkNet-53，而YOLOv5则进一步将其修改为“3993”的结构，以便后续在模型深度的层面上做缩放。相较于YOLOv4 的“12884”，YOLOv5则在模型的第一阶段中不加入CSP模块，仅仅使用一个kernel较大的卷积来做第一次的降采样，随后才使用CSP模块，因此，YOLOv5的结构参数“3993”，而不是“13993”。
YOLO的版本有哪些，以及功能差异？
wangbo_angel的博客
05-11 1677
例如，YOLOv3引入了多尺度预测来改善对小目标的检测，而YOLOv5则完全重写，使用了PyTorch框架，提高了模型的可用性和性能。10. PP-YOLO：并非YOLO主线版本，但值得一提，它使用ResNet50-vd作为骨干网，并引入了多项优化，如DropBlock、IoU预测分支等，以提高性能。3. YOLOv3：引入了Darknet-53作为新的特征提取器，并添加了多尺度预测，改进了对小物体的检测。11. Scaled-YOLOv4：提供了扩大和缩小的技术，以适应不同的计算能力和速度需求。
YOLOv5改进 | 注意力篇 | Deformable-LKA(DLKA)可变形的大核注意力（附多个位置添加教程）
Snu77的博客
01-06 2385
本文给大家带来的改进内容是Deformable-LKA（可变形大核注意力）。Deformable-LKA结合了大卷积核的广阔感受野和可变形卷积的灵活性，有效地处理复杂的视觉信息。这一机制通过动态调整卷积核的形状和大小来适应不同的图像特征，提高了模型对目标形状和尺寸的适应性。在YOLOv5中，Deformable-LKA可以被用于提升对小目标和不规则形状目标的检测能力，特别是在复杂背景或不同光照条件下。我进行了简单的实验，这一改进显著提高了模型mAP(提高了大概0.8左右)。Deformable-LKA，引入
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

挂科边缘

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