YOLO V5（6.0）添加CBAM、SENet、CA注意力机制手把手教程

最新推荐文章于 2024-09-03 09:00:00 发布
最新推荐文章于 2024-09-03 09:00:00 发布
阅读量3.6k 收藏 74
点赞数 7
文章标签： YOLO 机器学习 python
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_55200566/article/details/130880054
版权

1.添加CBAM

1)修改commom.py

在代码最后添加

#CBAM
class ChannelAttention(nn.Module):
    def __init__(self, in_planes, ratio=16):
        super(ChannelAttention, self).__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.max_pool = nn.AdaptiveMaxPool2d(1)
        # in_planes // ratio 这里会出现如下警告：
        # UserWarning: __floordiv__ is deprecated(被舍弃了), and its behavior will change in a future version of pytorch.
        # It currently rounds toward 0 (like the 'trunc' function NOT 'floor').
        # This results in incorrect rounding for negative values.
        # To keep the current behavior, use torch.div(a, b, rounding_mode='trunc'),
        # or for actual floor division, use torch.div(a, b, rounding_mode='floor').
        # kernel = torch.DoubleTensor([*(x[0].shape[2:])]) // torch.DoubleTensor(list((m.output_size,))).squeeze()
        self.f1 = nn.Conv2d(in_planes, in_planes // ratio, 1, bias=False)
        self.relu = nn.ReLU()
        self.f2 = nn.Conv2d(in_planes // ratio, in_planes, 1, bias=False)
     

        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        # 全局平均池化—>MLP两层卷积
        avg_out = self.f2(self.relu(self.f1(self.avg_pool(x))))
        # 全局最大池化—>MLP两层卷积
        max_out = self.f2(self.relu(self.f1(self.max_pool(x))))
        out = self.sigmoid(avg_out + max_out)
        return out


class SpatialAttention(nn.Module):
    def __init__(self, kernel_size=7):
        super(SpatialAttention, self).__init__()

        assert kernel_size in (3, 7), 'kernel size must be 3 or 7'
        padding = 3 if kernel_size == 7 else 1

        self.conv = nn.Conv2d(2, 1, kernel_size, padding=padding, bias=False)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        # 基于channel的全局平均池化(channel=1)
        avg_out = torch.mean(x, dim=1, keepdim=True)
        # 基于channel的全局最大池化(channel=1)
        max_out, _ = torch.max(x, dim=1, keepdim=True)
        # channel拼接(channel=2)
        x = torch.cat([avg_out, max_out], dim=1)
        # channel=1
        x = self.conv(x)
        return self.sigmoid(x)

    
class CBAMBottleneck(nn.Module):
    # ch_in, ch_out, shortcut, groups, expansion, ratio, kernel_size
    def __init__(self, c1, c2, shortcut=True, g=1, e=0.5, ratio=16, kernel_size=7):
        super(CBAMBottleneck, self).__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_, c2, 3, 1, g=g)
        self.add = shortcut and c1 == c2
        # 加入CBAM模块
        self.channel_attention = ChannelAttention(c2, ratio)
        self.spatial_attention = SpatialAttention(kernel_size)
    
    def forward(self, x):
        # 考虑加入CBAM模块的位置：bottleneck模块刚开始时、bottleneck模块中shortcut之前，这里选择在shortcut之前
        x2 = self.cv2(self.cv1(x))  # x和x2的channel数相同
        # 在bottleneck模块中shortcut之前加入CBAM模块
        out = self.channel_attention(x2) * x2
        # print('outchannels:{}'.format(out.shape))
        out = self.spatial_attention(out) * out
        return x + out if self.add else out


class C3CBAM(C3):
    # C3 module with CBAMBottleneck()
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):
        super().__init__(c1, c2, n, shortcut, g, e)  # 引入C3(父类)的属性
        c_ = int(c2 * e)  # hidden channels
        self.m = nn.Sequential(*(CBAMBottleneck(c_, c_, shortcut) for _ in range(n)))

2）修改yolo.py
原代码为：

 if m in {
                Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv,
                BottleneckCSP, C3, C3TR, C3SPP, C3Ghost, nn.ConvTranspose2d, DWConvTranspose2d, C3x}:
            c1, c2 = ch[f], args[0]

在后面添加 CBAMBottleneck, C3CBAM

修改后为：

 if m in {
                Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv,
                BottleneckCSP, C3, C3TR, C3SPP, C3Ghost, nn.ConvTranspose2d, DWConvTranspose2d, C3x,CBAMBottleneck, C3CBAM}:
            c1, c2 = ch[f], args[0]

3）在models文件夹下创建yaml文件，命名为yolov5-cbam.yaml

内容为

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 20  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
# 第二种加入方法 全部替换 C3 模块
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3CBAM, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3CBAM, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3CBAM, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3CBAM, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

4）在train.py中修改

---cfg中添加yaml文件路径

 

  parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default=r'models/yolov5-cbam.yaml', help='model.yaml path')

5）运行train.py

2.添加SENet

1)修改commom.py

在代码最后添加

#SENet
class SE(nn.Module):
    def __init__(self, c1, c2, ratio=16):
        super(SE, self).__init__()
        #c*1*1
        self.avgpool = nn.AdaptiveAvgPool2d(1)
        self.l1 = nn.Linear(c1, c1 // ratio, bias=False)
        self.relu = nn.ReLU(inplace=True)
        self.l2 = nn.Linear(c1 // ratio, c1, bias=False)
        self.sig = nn.Sigmoid()
    def forward(self, x):
        b, c, _, _ = x.size()
        y = self.avgpool(x).view(b, c)
        y = self.l1(y)
        y = self.relu(y)
        y = self.l2(y)
        y = self.sig(y)
        y = y.view(b, c, 1, 1)
        return x * y.expand_as(x)

2）修改yolo.py
原代码为：

 if m in {
                Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv,
                BottleneckCSP, C3, C3TR, C3SPP, C3Ghost, nn.ConvTranspose2d, DWConvTranspose2d, C3x}:
            c1, c2 = ch[f], args[0]

在后面添加 SE

修改后为：

 if m in {
                Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv,
                BottleneckCSP, C3, C3TR, C3SPP, C3Ghost, nn.ConvTranspose2d, DWConvTranspose2d, C3x,SE}:
            c1, c2 = ch[f], args[0]

3）在models文件夹下创建yaml文件，命名为yolov5-se.yaml

内容为

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 20  # number of classes 类别数
depth_multiple: 0.33  # model depth multiple  控制模型的深度（BottleneckCSP数）
width_multiple: 0.50  # layer channel multiple 控制Conv通道数（卷积核的数量）
#depth_multiple表示BottleneckCSP模块的层缩放因子，将所有的BottleneckCSP模块的BottleneckCSP乘上该参数得到最终个数
#width_multiple表示卷积通道的缩放因子，就是将配置中的backbone和head部分有关Conv通道的设置，全都乘上该系数
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  #from列参数：当前模块输入来自哪一层的输出；-1代表从上一层得到的输入
  #number列参数：本模块的重复次数；1表示只有一个，3表示有三个相同模块
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4      #128个卷积核（128个通道），3代表3×3的卷积核，2表示步长为2
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],          #这里的C3代表BottleneckCSP
   [-1, 1, SE, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
#head=PANet+Detect
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 15], 1, Concat, [1]],  # cat head P4，在backbone第九层添加SE后，第九层之后的编号都要加1，14+1
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 11], 1, Concat, [1]],  # cat head P5，在backbone第九层添加SE后，第九层之后的编号都要加1，10+1
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[18, 21, 24], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)，在backbone第九层添加SE后，第九层之后的编号都要加1，17+1，20+1，23+1
  ]

4）在train.py中修改

---cfg中添加yaml文件路径(与CBAM添加路径一致)

  parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default=r'models/yolov5-se.yaml', help='model.yaml path')

5）运行train.py

3.添加CA

1)修改commom.py

在代码最后添加

#CA
class h_sigmoid(nn.Module):
    def __init__(self, inplace=True):
        super(h_sigmoid, self).__init__()
        self.relu = nn.ReLU6(inplace=inplace)

    def forward(self, x):
        return self.relu(x + 3) / 6


class h_swish(nn.Module):
    def __init__(self, inplace=True):
        super(h_swish, self).__init__()
        self.sigmoid = h_sigmoid(inplace=inplace)

    def forward(self, x):
        return x * self.sigmoid(x)


class CoordAtt(nn.Module):
    def __init__(self, inp, oup, reduction=32):
        super(CoordAtt, self).__init__()
        self.pool_h = nn.AdaptiveAvgPool2d((None, 1))
        self.pool_w = nn.AdaptiveAvgPool2d((1, None))

        mip = max(8, inp // reduction)

        self.conv1 = nn.Conv2d(inp, mip, kernel_size=1, stride=1, padding=0)
        self.bn1 = nn.BatchNorm2d(mip)
        self.act = h_swish()

        self.conv_h = nn.Conv2d(mip, oup, kernel_size=1, stride=1, padding=0)
        self.conv_w = nn.Conv2d(mip, oup, kernel_size=1, stride=1, padding=0)

    def forward(self, x):
        identity = x

        n, c, h, w = x.size()
        x_h = self.pool_h(x)
        x_w = self.pool_w(x).permute(0, 1, 3, 2)

        y = torch.cat([x_h, x_w], dim=2)
        y = self.conv1(y)
        y = self.bn1(y)
        y = self.act(y)

        x_h, x_w = torch.split(y, [h, w], dim=2)
        x_w = x_w.permute(0, 1, 3, 2)

        a_h = self.conv_h(x_h).sigmoid()
        a_w = self.conv_w(x_w).sigmoid()

        out = identity * a_w * a_h

        return out

2）修改yolo.py
原代码为：

 if m in {
                Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv,
                BottleneckCSP, C3, C3TR, C3SPP, C3Ghost, nn.ConvTranspose2d, DWConvTranspose2d, C3x}:
            c1, c2 = ch[f], args[0]

在后面添加  CoordAtt

修改后为：

 if m in {
                Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv,
                BottleneckCSP, C3, C3TR, C3SPP, C3Ghost, nn.ConvTranspose2d, DWConvTranspose2d, C3x,CoordAtt}:
            c1, c2 = ch[f], args[0]

3）在models文件夹下创建yaml文件，命名为yolov5-ca.yaml

内容为

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 20  # number of classes 类别数
depth_multiple: 0.33  # model depth multiple  控制模型的深度（BottleneckCSP数）
width_multiple: 0.50  # layer channel multiple 控制Conv通道数（卷积核的数量）
#depth_multiple表示BottleneckCSP模块的层缩放因子，将所有的BottleneckCSP模块的BottleneckCSP乘上该参数得到最终个数
#width_multiple表示卷积通道的缩放因子，就是将配置中的backbone和head部分有关Conv通道的设置，全都乘上该系数
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  #from列参数：当前模块输入来自哪一层的输出；-1代表从上一层得到的输入
  #number列参数：本模块的重复次数；1表示只有一个，3表示有三个相同模块
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4      #128个卷积核（128个通道），3代表3×3的卷积核，2表示步长为2
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],          #这里的C3代表BottleneckCSP
   [-1, 1, CoordAtt, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
#head=PANet+Detect
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 15], 1, Concat, [1]],  # cat head P4，在backbone第九层添加SE后，第九层之后的编号都要加1，14+1
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 11], 1, Concat, [1]],  # cat head P5，在backbone第九层添加SE后，第九层之后的编号都要加1，10+1
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[18, 21, 24], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)，在backbone第九层添加SE后，第九层之后的编号都要加1，17+1，20+1，23+1
  ]

4）在train.py中修改

---cfg中添加yaml文件路径(与CBAM添加路径一致)

  parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default=r'models/yolov5-ca.yaml', help='model.yaml path')

5）运行train.py

      我的代码在运行时显示CoordAtt插入正常，但是反向传播异常

报错：adaptive_avg_pool2d_backward_cuda does not have a deterministic implementation, but you set 'torch.use_deterministic_algorithms(True)'. You can turn off determinism just for this operation, or you can use the 'warn_only=True' option, if that's acceptable for your application.

adaptive_avg_pool2d_backward_cuda does not have a deterministic implementation, but you set 'torch.use_deterministic_algorithms(True)'. You can turn off determinism just for this operation, or you can use the 'warn_only=True' option, if that's acceptable for your application.

参考https://blog.csdn.net/qq_39696563/article/details/126339400后做出了修改，可以正常训练

添加内容如上 

参考：

https://blog.csdn.net/weixin_43694096/article/details/124443059?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22124443059%22%2C%22source%22%3A%22weixin_43694096%22%7D

https://blog.csdn.net/qq_39740357/article/details/124084158

https://blog.csdn.net/weixin_43799388/article/details/123603131

weixin_55200566
关注
优化改进YOLOv5算法之添加SE、CBAM、CA模块(超详细)
qq_40716944的博客
01-04 1万+
本文主要是在YOLOv5算法中加入SE、CBAM和CA注意力机制模块，通过实验验证对比，加入CBAM和CA注意力机制后的效果均有所提升
YOLOv5加入CBAM注意力机制，实现涨点！
weixin_57058018的博客
05-09 261
这里我们讲一下如何在yolov5n文件里面加入CBAM注意力机制，我这里涨点的话一共两种加法，我们先来讲第一种。具体加多少个，加在哪个位置都可以，看大家自己的需求，针对不同数据集效果会不一样，有问题大家可以评论区交流。然后我们来讲第二种方法，加在卷积上，还是先进入common.py文件里面去，加入如下模块。第一种我们加在主干中，我们首先找到models文件夹里面的common.py文件。然后我们找到models文件夹里面的yolo.py文件中的。然后我们打开yolov5n.yaml文件，修改里面的参数。
YOLOv5改进：CBAM注意力机制【注意力系列篇】（附详细的修改步骤，以及代码，目标检测中检测效果较好）
最新发布
2401_85556416的博客
09-03 1962
这篇文章中提出的CBMA模块如图所示，CBAM（Convolutional Block Attention Module）是一种结合了通道注意力和空间注意力的注意力模块，旨在全面提升卷积神经网络的性能。给定一个中间特征图，我们的模块沿着两个独立的维度，通道和空间，顺序地推断注意力图，然后将这些注意力图与输入特征图相乘，进行自适应特征细化。这个热图可以被视为空间注意力图，指示了每个位置的重要性。通过结合通道注意力和空间注意力，CBAM可以同时关注特征图中的重要通道和重要的空间位置，从而提高特征表示的准确性。
Yolov5 中添加注意力机制 CBAM
ruotianxia的博客
09-03 4554
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添加注意力机制（CBAM）
kay_545
10-03 8280
引入CBAM后，YOLOv5在基础骨干网的每个残差单元的最后添加了CBAM模块，并在中间层的SPP（Spatial Pyramid Pooling）层后也添加了CBAM模块。总之，通过引入CBAM注意力机制，YOLOv5改进了网络的基础骨干网、中间层和检测头，使得模型能够更好地捕捉特征之间的依赖关系，提高特征表示能力和检测精度。通过结合通道注意力和空间注意力，CBAM注意力机制能够自适应地调整不同通道和空间位置的重要性，从而提升模型对图像特征的表达能力。，将CBAM添加到我们想添加的位置。
YOLOv5 添加CBAM注意力机制
u011669976的博客
08-12 1594
注意力机制
YOLOv5改进--添加CBAM注意力机制
weixin_57130167的博客
11-21 6796
YOLOV5改进方式，添加注意力机制，有很多添加方式，文中列举一种。
【YOLO】添加注意力机制（SE、CBAM、ECA、CA）
m0_37556124的博客
07-20 2501
注意力机制（attention mechanism）受人类视觉机制的研究，让网络学习更关注的特征。注意力机制主要有：自注意力(self-attention)、软注意力（soft-attention）、硬注意力(hard-attention)。其已经广泛应用于分类、检测、分割等任务。在models/common.py中注册SE模块以上就是今天要讲的内容，体验了使用yolov5进行推理的过程中加入不同的注意力模块，从而提高目标检测准确度，当然注意力种类繁多，也可以尝试排列组合使用，如上C3SE和C3CA。
手把手带你 YOLOv5/v7 添加注意力机制（并附上30多种顶会Attention原理图）2024/2/5更新
热门推荐
YOLOv8项目贡献者
04-27 18万+
YOLOv5/v7 添加注意力机制教程 2023/6/15更新🍀🍀🍀
YOLOv5-6.1添加注意力机制（SE、CBAM、ECA、CA）
weixin_50008473的博客
05-06 4万+
0. 添加方法 主要步骤： （1）在models/common.py中注册注意力模块 （2）在models/yolo.py中的parse_model函数中添加注意力模块 （3）修改配置文件yolov5s.yaml （4）运行yolo.py进行验证 各个注意力机制模块的添加方法类似，各注意力模块的修改参照SE。 完整代码链接： 1. SE （1）在models/common.py中注册SE模块 class SE(nn.Module): def __init__(self, c1, c2, ratio=
Yolov5 网络改进之增加SE、CBAM、CA、ECA等注意力机制
认真努力，做一只会飞的毛毛虫。
04-30 1万+
本文以Yolov5 6.0版本为例，讲解如何添加SE、CA、ECA、CBAM等即插即用的小模块，可同时适配其他网络结构。在这之前需要明白yolov5文件夹的三个小点： models\common.py，Yolov5网络的所有模块都在该文件内实现，我们的改进也在该文件中进行。 models\yolo.py，parse_model方法是对网络结构进行整体搭建，同时起到注册common.py中各类模块的作用。 models\yolov5m.yaml(以m结构为例)，网络的配置文件，models\yolo.p
yolov5 6.0 版本 yolov5-nano 训练自己的数据集
11-21
yolov5 6.0 版本 yolov5-nano 训练自己的数据集，已经包含自己的数据集，直接训练就能跑！可以参考更改。
yolov5-6.0最新版
12-17
yolov5最新版
YOLOv5改进 | 注意力篇 | 一文带你改进GAM、CBAM、CA、ECA等通道注意力机制和多头注意力机制
Snu77的博客
03-26 4173
这篇文章给大家带来的改进机制是一个汇总篇，包含一些简单的注意力机制，本来一直不想发这些内容的（网上教程太多了，发出来增加文章数量也没什么意义），但是群内的读者很多都问我这些机制所以单独出一期视频来汇总一些比较简单的注意力机制添加的方法和使用教程，本文的内容不会过度的去解释原理，更多的是从从代码的使用上和实用的角度出发去写这篇教程。欢迎大家订阅我的专栏一起学习YOLO！YOLOv5改进有效涨点目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制。
YOLOV5中添加CBAM模块详解——原理+代码
python_plus的博客
03-07 4094
本文详细讲解了CBAM模块中的CAM和SAM过程，并提供了将CBAM添加到YOLOv5中的代码
YOLOv5改进之添加CBAM注意力机制
qq_46542320的博客
06-27 3537
在其后面添加：CBAMBottleneck，C3CBAM。这里是将backbone中的C3全部替换成了C3CBAM。
改进YOLOv5、YOLOv8系列：14.添加S2-MLPv2注意力机制
包括YOLOv5、YOLOv7、YOLOv8等模型改进
08-24 8330
目标检测科研Trick改进推荐 | 包括Backbone、Neck、Head、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、激活函数
YOLOv5_6.0:利用gpu训练自己的数据集
m0_73496027的博客
06-09 521
一.环境搭建先去官网查看与gpu驱动适配的pytorch三个包的版本，再去pytorch官网复制下载链接并换源这里我用了pytorch 1.11.0＋cudatoolkit 11.3的版本，安装指令和过程如下;
在yolov8中添加注意力CBAM
01-10
在YOLOv8中添加注意力CBAM的步骤如下： 1. 在yolov8_cbam.yaml文件中添加CBAM注意力机制的配置信息。 2. 在common.py文件中配置CBAM注意力机制的参数。 3. 在yolo.py文件中添加CBAM注意力机制的代码。 4. 训练模型并测试效果。 具体步骤如下： . 在yolov8_cbam.yaml文件中添加CBAM注意力机制的配置信息： ```yaml model: ... attention: CBAM ... ``` 2. 在common.py文件中配置CBAM注意力机制的参数： ```python class CBAM(nn.Module): def __init__(self, channels, reduction=16): super(CBAM, self).__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.max_pool = nn.AdaptiveMaxPool2d(1) self.fc = nn.Sequential( nn.Linear(channels, channels // reduction, bias=False), nn.ReLU(inplace=True), nn.Linear(channels // reduction, channels, bias=False), nn.Sigmoid() ) self.conv = nn.Conv2d(channels, channels, kernel_size=1, stride=1, padding=0) def forward(self, x): avg_out = self.avg_pool(x) max_out = self.max_pool(x) avg_out = self.fc(avg_out.squeeze()).unsqueeze(2).unsqueeze(3) max_out = self.fc(max_out.squeeze()).unsqueeze(2).unsqueeze(3) out = avg_out + max_out out = self.conv(out) out = torch.sigmoid(out) out = x * out return out ``` 3. 在yolo.py文件中添加CBAM注意力机制的代码： ```python from models.common import CBAM class YOLOLayer(nn.Module): def __init__(self, ...): ... self.cbam = CBAM(channels) def forward(self, ...): ... x = self.cbam(x) ... return x ``` 4. 训练模型并测试效果。
评论 1
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
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