YOLOv5、YOLOv8改进：添加ShuffleAttention注意力机制

 广泛应用的注意力机制主要有空间注意力机制和通道注意力机制，其目的分别是捕捉像素级的成对关系和通道依赖关系。虽然将两种机制融合在一起可以获得比单独更好的性能，但计算开销不可避免。因而，本文提出Shuffle Attetion，即SA，以解决这个问题。SA采用Shuffle Units有效地结合两种注意力机制。具体来说，SA首先将通道维度分组为多个子特征，然后并行处理。对于每个子特征，SA利用Shuffle Units描述空间和通道维度上的特征依赖关系，然后对所有子特征进行聚合，采用channel shuffle算子实现不同子特征间的信息通信。

1.1 背景
注意力机制分为两种，通道注意和空间注意，都是通过不同的聚集策略、转换和强化函数，从所有位置聚集相同的特征来增强原始特征。
GCNet和CBAM将通道注意和空间注意整合到一个模块中，在取得显著结果的同时，也存在存在收敛困难或计算负担过重的问题。
ECA-Net通过使用一维卷积简化了SE模块中信道权重的计算过程；SGE将通道的维度划分为多个子特征表示不同的语义，使用注意掩码在所有位置缩放特征向量，对每个特征组应用空间机制。然而这些网络没有充分利用空间注意和通道注意之间的相关性，致使其效率较低。

本文提出Shuffle Attention 模块，即SA。该模块按通道维度分组为子特征。对于每个子特征，SA采用Shuffle Unit同时构建通道注意和空间注意。对于每个注意模块，本文设计