YOLOv8改进系列，YOLOv8添加ParNetAttention注意力机制与C2f融合

已于 2024-09-12 10:38:24 修改
阅读量46 收藏
点赞数
分类专栏： YOLOv8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 2024-08-13 23:31:53 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/141176411
版权
YOLOv8改进 专栏收录该内容
36 篇文章 20 订阅 ¥59.90 ¥99.00
订阅专栏

在这里插入图片描述

前言

全深度是深度神经网络的标志。但更多的深度意味着更多的顺序计算和更高的延迟。ParNetAttention使用并行子网络而不是一层层叠加。这有助于在保持高性能的同时有效减少深度。

ParNetAttention理论详解可以参考链接：论文地址
ParNetAttention代码可在这个链接找到：代码地址

本文在YOLOv8中引入ParNetAttention注意力机制与C2f融合，代码已经整理好了，跟着文章复制粘贴，即可直接运行

目录

🎓一、YOLOv8原始版本代码下载

如果之前有在我的网盘下载的YOLOv8源码的就不需要重新下

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
YOLOv8改进系列，YOLOv8添加DAttention注意力机制
weixin_44779079的博客
07-04 1165
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改进 | 注意力篇 | YOLOv10引入ParNetAttention注意力
tsg6698的博客
07-17 200
我们分析了我们的设计的扩展规则，并展示了如何在不改变网络深度的情况下提高性能。ParNet模块的核心思想是将传统的线性序列化的层组织方式替换为并行的子网络（即"流"），这些并行子网络在不同的分辨率上处理特征，并在网络的后期融合这些特征以进行下游任务。在融合过程中，没有使用跳跃连接；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~
YOLOv9改进系列，YOLOv9添加ParNetAttention注意力机制,助力涨点
weixin_44779079的博客
08-08 60
全深度是深度神经网络的标志。但更多的深度意味着更多的顺序计算和更高的延迟。ParNetAttention使用并行子网络而不是一层层叠加。这有助于在保持高性能的同时有效减少深度。
YOLOV8改进：soft-nms、DIOU-nms、SIOU-nms、EIOU-nms、WIOU-nms
weixin_45303602的博客
10-11 5942
NMS（Non-Maximum Suppression，非极大值抑制）是一种常用的目标检测算法，用于抑制冗余的边界框，保留最具代表性的目标框。在目标检测任务中，通常会生成多个候选边界框（bounding box），每个边界框都对应着一个可能的目标。然而，由于图像中可能存在多个重叠的边界框，为了提取出最准确的目标框，需要使用NMS来进行筛选。首先，根据目标框的置信度（或者其他评分指标），按照降序排列所有的候选框。选择具有最高置信度的框，并将其添加到最终输出的结果列表中。
改进YOLOv8注意力系列五：结合ParNetAttention注意力、高效的金字塔切分注意力模块PSA、跨领域基于多层感知器（MLP）S2Attention注意力
qq_44224801的博客
02-25 1260
- YOLOv8轻松上手，适用技术小白，文章代码齐全，仅需一键train，解决YOLOv8的技术突破和创新潜能。
YOLOv9改进系列，YOLOv9添加GAM注意力机制
weixin_44779079的博客
07-09 250
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）
YOLOv10改进 | 独家创新- 注意力篇 | YOLOv10引入结合EMAttention和ParNetAttention形成全新的EPA注意力机制和C2f_EPA(全网独家创新)
tsg6698的博客
07-17 2742
尽管EPAAttention结合了两种注意力机制，其计算复杂度相较于单一注意力机制略有增加，但通过合理的加权融合和高效的卷积操作设计，EPAAttention在保证计算效率的同时，显著提升了特征提取的性能。总之，EPAAttention通过结合EMAttention和ParNetAttention的优点，采用加权融合、自适应特征增强和多尺度特征提取等策略，在图像特征提取方面表现出了更优异的性能，能够更有效地应对复杂的图像处理任务。我仅放在Backbone中的一层，大家可以多加且多试其他位置。
YOLOv8改进 | 注意力机制| 利用并行子网络构建深度较浅但性能卓越的网络【全网独家】
kay_545
07-10 1466
yolov8， yolov8改进，ParNetAttention，
即插即用篇 | YOLOv10 引入 ParNetAttention 注意力机制 | 《NON-DEEP NETWORKS》
最新发布
YOLOv8项目贡献者
08-18 63
即插即用篇 | YOLOv10 引入 ParNetAttention 注意力机制 | 《NON-DEEP NETWORKS》
YOLOv10改进 | 注意力机制| 利用并行子网络构建深度较浅但性能卓越的网络【全网独家】
kay_545
07-15 1409
yolov10，yolov10改进，yolov10创新，ParNetAttention
30种常见注意力机制论文、解读、使用方法、实现代码整理（Attention）
03-27
30种常见注意力机制论文、解读、使用方法、实现代码整理（Attention）
YOLOv8改进 | 主干篇 | 轻量级网络ShuffleNetV2（附代码+修改教程）
Snu77的博客
12-20 4848
本文给大家带来的改进内容是ShuffleNetV2，这是一种为移动设备设计的高效CNN架构。其在ShuffleNetV1的基础上强调除了FLOPs之外，还应考虑速度、内存访问成本和平台特性。(我在YOLOv8n上修改该主干降低了GFLOPs,但是参数量还是有一定上涨，其非常适合轻量化的读者来使用,同时精度也有一定程度的上涨)。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。
YOLOv8添加注意力机制小总结
weixin_42001184的博客
09-15 7014
注意力机制（Attention Mechanism）源于对人类视觉的研究。在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息。上述机制通常被称为注意力机制。人类视网膜不同的部位具有不同程度的信息处理能力，即敏锐度（Acuity），只有视网膜中央凹部位具有最强的敏锐度。简而言之，注意力机制源于自然界人类视觉的研究。人类的视觉会天然地进行一个抉择，就是选择性地关注所有信息的一个部分，同事就会忽略其他可见的信息。就属于是合理的利用有限的信息处理资源。
即插即用篇 | YOLOv8 引入 ParNetAttention 注意力机制 | 《NON-DEEP NETWORKS》
YOLOv8项目贡献者
03-07 2008
YOLOv8 引入 ParNetAttention 注意力机制 | 《NON-DEEP NETWORKS》
pytorch代码实现注意力机制之ParNet_Attention
DM_zx的博客
08-19 677
注意力机制之ParNet注意力
【YOLO改进】主干插入ParNetAttention模块(基于MMYOLO)
Vlone_pp的博客
04-16 841
确保 class ParNetAttention中的输入维度为in_channels(因为MMYOLO会提前传入输入维度参数，所以要保持参数名的一致)修改对应的配置文件，并且将plugins的参数“type”设置为“ParNetAttention”，可参考。将开源代码ParNetAttention.py文件复制到mmyolo/models/plugins目录下。修改mmyolo/models/plugins/__init__.py文件。
注意力机制篇 | YOLOv8改进之添加DAT注意力机制
突然好想你
04-02 341
DAT（Vision Transformer with Deformable Attention）是一种引入了可变形注意力机制的视觉Transformer。在训练算法模型的时候，通过引入可变形注意力机制，改进了视觉Transformer的效率和性能，使其在处理复杂的视觉任务时更加高效和准确。🌈
YOLOv8改进 添加可变形注意力机制DAttention
分享一些自己改进代码的实例
12-29 4748
手把手教你在yolov8原结构中加入可变形注意力机制DAttention，可以根据输入学习调整注意力模式，从而提高网络性能和效率。助力涨点！！！！！！
yolov8注意力机制加到C2F
09-17
根据引用内容，你可以将注意力机制加到yolov8的C2F模块中。具体的添加方式有两种。第一种方式是在c2f模块的不同位置添加注意力机制的代码。你可以在ultralytics/nn/modules.py中修改c2f模块，将注意力机制的代码加入...
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