YOLOv9改进，YOLOv9添加CBAM注意力机制

已于 2024-10-07 18:24:33 修改
阅读量303 收藏
点赞数 4
分类专栏： YOLOv9改进 文章标签： YOLO 目标检测 python 计算机视觉 人工智能 深度学习
于 2024-07-15 16:34:09 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/140441965
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、CBAM代码
  • 🎓三、在YOLOv9添加CBAM代码
    • 🍀🍀1.在modules目录下添加上述的CBAM代码
    • 🍀🍀2.在__init__.py文件导入CBAM模块，
    • 🍀🍀3.在yolo.py文件导入改进的模块
  • 🎓四、yaml文件修改
    • 🍀🍀1.在头部添加
  • 🎓五、训练文件修改
  • 总结

前言

CBAM是一个简单而有效的注意力模块，用于前馈卷积神经网络。给定一个中间特征图，我们的模块按顺序推断两个独立维度（通道和空间）的注意力图，然后将注意力图乘以输入特征图以进行自适应特征细化。由于 CBAM 是一个轻量级的通用模块，因此它可以无缝集成到任何 CNN 架构中，开销可以忽略不计，并且可以与基础 CNN 一起进行端到端训练。论文链接: （CBAM论文）

🎓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
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改进策略【注意力机制篇】| 2024 SCSA-CBAM 空间和通道的协同注意模块
最新发布
qq_42591591的博客
09-20 691
本文记录的是基于SCSA-CBAM注意力模块的YOLOv9目标检测改进方法研究。现有注意力方法在空间-通道协同方面未充分挖掘其潜力，缺乏对多语义信息的充分利用来引导特征和缓解语义差异。构建一个空间-通道协同机制，
YOLO算法改进2【中阶改进篇】：添加CBAM注意力机制
梦在黎明破晓时的博客
07-10 1253
CBAM旨在自动学习输入特征图的空间和通道注意力权重，从而更好地捕捉图像中的局部信息和全局上下文。(Spatial Attention Module) : 空间注意力模块的目的是为输入特征图的每个位置分配一个注意力权重。(ChannelAttention Module) : 通道注意力模块旨在为输入特征图的每个通道分配一个权重，从而强调重要的通道并抑制不太重要的通道。包括两个主要组成部分: 空间注意力模块和通道注意力模块。最后，将空间注意力模块和通道注意力模块的输出相加，形成CBAM调整后的特征图。
YOLOv9改进策略 | 添加注意力篇 | 高效的注意力改进策略EMAttention注意力机制（附多个可添加位置）
Snu77的博客
05-07 1378
本文给大家带来的改进机制是EMAttention注意力机制，它的重塑部分通道到批次维度，并将通道维度分组为多个子特征，以保留每个通道的信息并减少计算开销。EMA模块通过编码全局信息来重新校准每个并行分支中的通道权重，并通过跨维度交互来捕获像素级别的关系。本文首先给大家提供效果图(由基础版本未作任何修改和修改了本文的改进机制的效果对比图)，然后介绍其主要的原理，最后手把手教大家如何添加该注意力机制。YOLOv9有效涨点专栏-持续复现各种顶会内容-有效涨点-全网改进最全的专栏目录一、本文介绍。
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改进，YOLOv9添加NAM注意力机制并与RepNCSPELAN4结构融合
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。
YOLOv8改进 | 注意力机制 | 添加MLCA混合局部通道注意力（轻量化注意力机制）
Snu77的博客
01-03 6530
本文带来的改进机制是MLCA(Mixed local channel attention)翻译来就是混合局部通道注意力，它结合了局部和全局特征以及通道和空间特征的信息，根据文章的内容来看他是一个轻量化的注意力机制，能够在增加少量参数量的情况下从而大幅度的提高检测精度(论文中是如此描述的)，根据我的实验内容来看，该注意力机制确实参数量非常少，效果也算不错，而且官方的代码中提供了二次创新的思想和视频讲解非常推荐大家观看。推荐指数：⭐⭐⭐⭐⭐涨点效果：⭐⭐⭐⭐⭐。
YOLOv9最新改进系列：YOLOv9改进加入新型高效的多尺度注意力（EMA）模块保留每个通道的信息并减少计算成本！助力v9检测性能遥遥领先！
weixin_51692073的博客
04-18 2437
YOLOv9最新改进系列：YOLOv9改进加入新型高效的多尺度注意力（EMA）模块保留每个通道的信息并减少计算成本！助力v9检测性能遥遥领先！
YOLOv8改进，YOLOv8添加CBAM注意力机制
weixin_44779079的博客
06-26 1548
CBAM是一个简单而有效的注意力模块，用于前馈卷积神经网络。给定一个中间特征图，我们的模块按顺序推断两个独立维度（通道和空间）的注意力图，然后将注意力图乘以输入特征图以进行自适应特征细化。由于 CBAM 是一个轻量级的通用模块，因此它可以无缝集成到任何 CNN 架构中，开销可以忽略不计，并且可以与基础 CNN 一起进行端到端训练。论文链接:（CBAM论文）
YOLOv10改进 | 注意力篇 | YOLOv10改进CBAM注意力机制
tsg6698的博客
06-11 4529
模块首先应用通道注意力，关注"重要的"特征，然后应用空间注意力，关注这些特征的"重要位置"。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~新建一个yolov10nCBAM.yaml文件后，在Backbone部分添加了CBAM注意力机制，大家可以在其他地方多尝试。在CBAM.py文件里添加给出的CBAM代码。模型结构打印，成功运行。
注意力机制篇 | YOLOv8改进之添加CBAM注意力机制
突然好想你
03-23 1266
CBAM是一种用于图像分类的注意力机制，它可以自适应地学习每个通道和空间位置的重要性，从而提高模型的性能。本文所做出的改进即在YOLOv8的Neck网络中添加CBAM注意力机制！~🌈
YOLOv5改进系列（2）——添加CBAM注意力机制
路人贾的博客
05-09 9462
手把手教你在YOLOv5中加入添加CBAM注意力机制，含两种方法。小白也能看得懂！
注意力特征融合
m0_47867638的博客
08-02 830
特征融合，即来自不同层或分支的特征的组合，是现代网络架构中无处不在的一部分。它通常通过简单的操作来实现，如求和或拼接，但这可能不是最佳选择。在这项工作中，我们提出了一种统一且通用的方案，即注意力特征融合，它适用于大多数常见场景，包括由短连接和长连接引起的特征融合以及Inception层内的特征融合。为了更好地融合不一致的语义和尺度的特征，我们提出了一个多尺度通道注意力模块，该模块解决了在融合不同尺度特征时出现的问题。
YOLOv8改进 | 注意力机制 | 添加MSDA多尺度空洞注意力（全新的YOLOv8改进策略）
Snu77的博客
12-25 7395
本文给大家带来的改进机制是MSDA（多尺度空洞注意力）发表于今年的中科院一区(算是国内计算机领域的最高期刊了)，其全称是"DilateFormer: Multi-Scale Dilated Transformer for Visual Recognition"。MSDA的主要思想是通过线性投影得到特征图X的相应查询、键和值。然后，将特征图的通道分成n个不同的头部，并在不同的头部中以不同的扩张率执行多尺度SWDA来提高模型的处理效率和检测精度。
YOLOv9改进策略 | 添加注意力篇 | 利用ILSVRC冠军得主SENetV1改善网络模型特征提取能力
Snu77的博客
04-20 1418
本文给大家带来的改进机制是SENet（Squeeze-and-Excitation Networks）其是一种通过调整卷积网络中的通道关系来提升性能的网络结构。SENet并不是一个独立的网络模型，而是一个可以和现有的任何一个模型相结合的模块(可以看作是一种通道型的注意力机制)。在SENet中，所谓的挤压和激励（Squeeze-and-Excitation）操作是作为一个单元添加到传统的卷积网络结构中。这样可以增强模型对通道间关系的捕获，提升整体的特征表达能力，而不需要从头开始设计一个全新的网络架构。因此。
YOLOv9改进策略 | 添加注意力篇 | TripletAttention三重注意力机制（附代码+机制原理+添加教程）
Snu77的博客
04-24 1965
本文给大家带来的改进是三重注意力机制。这个机制，它通过三个不同的视角来分析输入的数据，就好比三个人从不同的角度来观察同一幅画，然后共同决定哪些部分最值得注意。三重注意力机制的主要思想是在网络中引入了一种新的注意力模块，这个模块包含三个分支，分别关注图像的不同维度。比如说，一个分支可能专注于图像的宽度，另一个分支专注于高度，第三个分支则聚焦于图像的深度，即色彩和纹理等特征。这样一来，网络就能够更全面地理解图像内容，就像是得到了一副三维眼镜，能够看到图片的立体效果一样。
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。
YOLOv9改进，YOLOv9添加可变形自注意力机制(DAttention)
weixin_44779079的博客
07-12 376
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）
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！
cbam注意力机制改进yolo5
05-07
CBAM（Convolutional Block Attention Module）是一种注意力机制，其可以学习每个通道的重要性，并为不同的通道分配不同的权重，以提高模型的性能。Yolo5是一种目标检测模型，由于CBAM注意力机制能够提高模型的性能，因此有研究者将CBAM应用于Yolo5中，以进一步提高其性能。 CBAM注意力机制改进Yolo5的主要步骤包括以下几个方面： 1. 在Yolo5的卷积层后添加CBAM模块，以利用CBAM注意力机制来学习每个通道的重要性，并为不同的通道分配不同的权重。 2. 在CBAM模块中使用全局平均池化和全局最大池化来捕获空间和通道维度上的信息。 3. 将CBAM模块中的空间维度和通道维度上的信息进行整合，形成一个综合的通道注意力图，再利用这个图来调整每个通道的权重。 通过将CBAM注意力机制应用于Yolo5中，可以更好地学习每个通道的特征，并更准确地检测目标物体。此外，CBAM注意力机制还可以提高模型的泛化能力和鲁棒性，使其更适用于各种场景。
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