YOLOv5修改注意力机制CBAM

已于 2023-08-14 13:42:31 修改
阅读量820 收藏 13
点赞数
分类专栏： yolov5/7/8/9系列独家改进 文章标签： YOLO 人工智能
于 2023-08-10 17:26:53 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_45303602/article/details/132214558
版权
本文介绍了如何在YOLOv5中应用CBAM注意力模块，通过通道和空间注意力增强模型表现。CBAM包括通道注意力和空间注意力两部分，分别通过全局平均池化和全局最大池化来压缩特征图，并通过多层感知器网络学习权重。在YOLOv5的改进中，详细说明了在yaml配置文件、common和yolo.py中的实现步骤。
摘要由CSDN通过智能技术生成

目录

一、论文的出发点

二、论文的主要工作

三、CBAM模块的具体介绍​​​​​​​

四.YOLOv5改进

4.1yaml 配置文件如下

4.2common加入以下代码

4.3yolo.py 中注册

一、论文的出发点


cnn基于其丰富的表征能力，极大地推动了视觉任务的完成，为了提高cnn网络的性能，最近的研究主要聚焦在网络的三个重要因素:深度、宽度和基数。除了这些因素，作者还研究了网络架构的一个不同方面——注意力。注意力研究的目标是通过使用注意机制来增加表现能力:关注重要的特征，并抑制不必要的特征。在本文中，作者提出了一个新的网络模块，名为“卷积块注意模块”（CBAM），该模块用来强调这两个主要维度上的有意义的特征:通道和空间轴，该模块实现方式是通过学习强调或抑制哪些信息，有效地帮助信息在网络中流动。
 

二、论文的主要工作


1. 提出了一种简单而有效的注意力模块(CBAM)，可广泛应用于增强cnn的表示能力。
2. 作者验证了该注意模块的有效性，通过广泛的消融试验。
3. 通过插入CBAM，作者验证了在多个基准测试(ImageNet-1K, MS COCO，和VOC 2007)上，各种网络的性能都得到了极大的改善。


三、CBAM模块的具体介绍

了解本专栏 订阅专栏 解锁全文
陈子迩
关注
  • 0
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
yolov5之魔化修改
deep_love1314的博客
08-12 2595
yolov5魔改
Yolov5 中添加注意力机制 CBAM
ruotianxia的博客
09-03 4349
从上图中可以看到，前面的卷积神经网络提前特征后，分别进行两个通道注意力计算，两个通道可以并行也可以串行，但是原作者在实验中发现，串行且channel在spatial之前，性能会更好。CBAM将这两个注意力模块嵌入到CNN的卷积层之间，以增强网络对重要特征的关注度。在common.py的尾部添加如下代码，即Channel Attention 模块、Spatial Attention模块、CBAMC3模块。如果运行之后的网络输出中，出现CBAMC3，则说明添加成功，下面就是等待训练的结果。
Yolov5网络修改教程（将backbone修改为EfficientNet、MobileNet3、RegNet等）
rglkt的博客
06-29 3万+
在我的本科毕业论文中，我使用了Yolov5，并尝试对其更改。可以对Yolov5进行一定程度的定制化修改，例如更轻量级的Yolov5-MobileNetv3 或者比Yolov5s更好的（存疑，没有跑过大数据集，可自己实验）Yolov5-EfficientNet。......
yolov5 修改
最新发布
weixin_43167279的博客
05-13 968
借鉴的代码：http://github.com/ultralytics/ultralytics。
yolov5修改骨干网络-使用自己搭建的网络-以efficientnetv2为例
小白不白
12-15 5961
efficientnet则是通过NAS搜索，同时增加width、depth以及resolution，使网络结构达到最优。下表为EfficientNet-B0的网络框架（B1-B7就是在B0的基础上修改Resolution，Channels以及Layers），可以看出网络总共分成了9个Stage。第一个Stage是一个卷积核大小为3x3，stride为2的普通卷积层（包含BN和Swish激活函数）；
YOLOv5尝试修改backbone
weixin_42182534的博客
03-11 9435
本博文记录第一次修改yolov5，只是尝试，不做工程效率的考虑 最近尝试修改yolov5的网络结构，在这里记录一下 第一步：加入模块代码 将模型搭建中所需的模块放入YOLOv5的源码路径models/common.py里，以ShuffleNetV2的InvertedResidual为例： 在common.py的顶部加入导入 from torch import Tensor from typing import Callable, Any, List 将InvertedResidual类和
CBAM注意力机制代码，以及如何对yolov5进行改进
12-06
CBAM（Channel and Spatial Attention Module，通道和空间注意力模块）是一种有效的注意力机制，它通过引入注意力机制来增强模型的学习能力，使得网络能够更好地关注输入图像中的关键区域。本篇文章将详细探讨CBAM在...
可以训练yolov5(v6.0)、yolox、小型网络，添加注意力机制
02-06
总的来说，训练YOLOv5v6.0、YOLOX以及包含注意力机制的小型网络，需要对深度学习、目标检测算法和注意力机制有深入的理解。通过持续的实验和优化，可以构建出既高效又精确的目标检测模型，满足各种实际应用场景的...
融合CBAM通道注意力机制的YOLOv5-v6.1版本源码
12-07
YOLOv5是一种基于深度学习的目标检测框架，其最新版本v6.1引入了CBAM（Channel and Spatial Attention Module）通道注意力机制，旨在提升模型的性能和效率。CBAM是深度学习领域中一种广泛使用的注意力机制，它通过...
YOLOv8中加入CBAM注意力机制
05-08
YOLOv8在原有的基础上进行了优化和升级，其中一个重要的创新就是引入了CBAM（Channel Attention and Spatial Attention Module，通道注意力与空间注意力模块）注意力机制。这一机制的加入，旨在提升模型的定位和识别...
YOLOV5.zip 本人修改过官方的代码，运行detect.py,立刻可以运行
08-20
本人修改过的官方的YOLOv5框架，只需配置好环境后不用修改代码。即可实现，实时目标检测多达80种物体，肥肠好用。
yolov5模型权重
09-26
主要给大家提供的是yolov5 V3.0版本的模型权重，大家下载时一定要看好，再注意下载，每个版本的代码需要不同的模型权重，希望大家可以下载到正确的模型权重。
flexible-yolov5:具有更多主干（resnet，shufflenet，moblienet）的更具可读性和灵活性的yolov5
03-26
flexible-yolov5 基于 。 原始的Yolo V5是一个了不起的项目。 对于专业人士而言，理解和修改其代码应该不难。 我不是专家。 当我想对网络进行一些更改时，这并不是一件容易的事，例如添加分支和尝试其他骨干网。 也许会有像我这样的人，所以我将yolov5模型拆分为{主干，脖子，头部}，以方便各种模块的操作并支持更多的主干。基本上，我只更改了模型，而没有更改架构，培训和测试yolov5。 因此，如果原始代码被更新，则更新该代码也非常方便。 目录 [培训与测试]（＃培训与测试） 特征 重组骨干，脖子，头部等模型结构，可以灵活方便地修改网络 更多主干，mobilenetV3，shufflenetV2，resnet18、50、101等 先决条件 请参阅requirements.txt 入门 数据集准备 以yolov5格式制作数据。 您可以使用utils / make_yolov5
基于CBAM空间注意力机制改进YOLOv5的公路智能巡检系统.zip
02-11
对于有一定基础或热衷于研究的人来说，可以在这些基础代码上进行修改和扩展，实现其他功能。 【沟通交流】： 有任何使用上的问题，欢迎随时与博主沟通，博主会及时解答。 鼓励下载和使用，并欢迎大家互相学习，共同...
（六）yolov5:模型修改和训练
ali1174的专栏
04-12 2675
根据分析，将yolov5s.yaml文件进行如上所示修改，注意由于删除了两个层，在Head中，部分输入层需要进行相应的修改。以上仅为测试，查看之前的修改是否正确，从训练结果看，mAP值很低，需要增加训练。另外，C2的实现已在之前的文章中有作详细说明。（1）将第4层C3*2修改为C2*2。（2）将第6层C3*3修改为C3*1。经过修改后，执行以下命令进行训练，（3）去除第7、8层。
一点就分享系列（实践篇3-上篇）— 修改YOLOV5 之”魔刀小试“+ Trick心得分享+V5精髓部分源码解读
啥都会一点的小程的博客
03-09 3万+
一点就分享系列（实践篇3—上篇）—“全网首发” 正确手法修改YOLOV5 魔刀小试+ Trick心得分享 现在部署大热，而我觉得回归原理和源码更加重要！在检测领域YOLOV5肯定是大家的炼丹必备模型，收敛快，精度高都是其爱不释手的理由，各种魔改基础backone或者别的trcik也层出不穷，这里我自己针对V5的head添加了ASFF自适应的特征融合检测层，分享下，也顺手告诉大家如何以正规的手法去修改YOLOV5的网络结构！ 文章目录一点就分享系列（实践篇3—上篇）—“全网首发” 正确手法修改YOLOV5
深度学习实战 2 YOLOv5 添加CBAM、CA、ShuffleAttention注意力机制
qq_41134483的博客
11-05 1万+
YOLOv5 添加CBAM、CA、ShuffleAttention注意力机制
yolov5加入CBAM,SE,CA,ECA注意力机制，纯代码（22.3.1还更新）
热门推荐
zqt321的博客
12-07 7万+
CBAM,SE,ECA,CA注意力添加到yolov5网络中，5.0版本
yolov8添加注意力机制CBAM
08-30
您好！对于在YOLOv8中添加注意力机制CBAM，可以按照以下步骤进行： 1. 导入必要的模块和库： ```python import torch import torch.nn as nn ``` 2. 定义CBAM模块： ```python class CBAM(nn.Module): def __init__(self, channels, reduction=16): super(CBAM, self).__init__() self.channels = channels self.avg_pool = nn.AdaptiveAvgPool2d(1) self.max_pool = nn.AdaptiveMaxPool2d(1) self.fc1 = nn.Conv2d(channels, channels // reduction, kernel_size=1, padding=0) self.relu = nn.ReLU(inplace=True) self.fc2 = nn.Conv2d(channels // reduction, channels, kernel_size=1, padding=0) self.sigmoid_channel = nn.Sigmoid() self.conv_after_concat = nn.Conv2d(2, 1, kernel_size=3, stride=1, padding=1) self.sigmoid_spatial = nn.Sigmoid() def forward(self, x): avg_out = self.fc2(self.relu(self.fc1(self.avg_pool(x)))) max_out = self.fc2(self.relu(self.fc1(self.max_pool(x)))) channel_out = self.sigmoid_channel(avg_out + max_out) spatial_out = torch.cat([avg_out, max_out], dim=1) spatial_out = self.conv_after_concat(spatial_out) spatial_out = self.sigmoid_spatial(spatial_out) return x * channel_out * spatial_out ``` 3. 在YOLOv8的特征提取部分使用CBAM模块： ```python class YOLOv8(nn.Module): def __init__(self): super(YOLOv8, self).__init__() # ... self.cbam = CBAM(channels=XX) # ... def forward(self, x): # ... x = self.cbam(x) # ... return x ``` 请注意，上述代码中的`XX`需要替换为适合您的网络的通道数。这是一个简单的示例，您还可以根据需要进行更改和调整。 希望能对您有所帮助！如果您有任何疑问，请随时提问。
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

陈子迩

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