note1：yolov8导入新模块——添加注意力机制CBAM

相比很多yolo党刚刚入门时要学习的则是学习即插即用的注意力机制，本文章以yolov8添加CBAM注意力机制为例。

• 1、首先导入代码（在nn.modules.conv.py端导入这部分代码，放置位置自己看，下图是我的放置位置）

• class CBAM(nn.Module):
  
      """Convolutional Block Attention Module."""
  
  
  
      def __init__(self, c1, kernel_size=7):
  
          """Initialize CBAM with given input channel (c1) and kernel size."""
  
          super().__init__()
  
          self.channel_attention = ChannelAttention(c1)
  
          self.spatial_attention = SpatialAttention(kernel_size)
  
  
  
      def forward(self, x):
  
          """Applies the forward pass through C1 module."""
  
          return self.spatial_attention(self.channel_attention(x))

  

2、接下来是定义（也称register，主要涉及到nn.modules.init.py文件、nn.tasks.py文件）

①在nn.modules.init.py文件里进行注册

• ②在nn.tasks.py文件里进入一个注册（修改三个部分）
• （1）
• 
• （2）

（3）

        elif m in {CBAM}:
            c2 = ch[f[1]]
            args = [c2, *args]

3、接下来就是修改yaml配置文件了（自己根据需求来调整CBAM的位置）

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect

# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, CBAM, [7]]
  - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]] # 9

# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 7], 1, Concat, [1]] # cat backbone P4
  - [-1, 3, C2f, [512]] # 12

  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 4], 1, Concat, [1]] # cat backbone P3
  - [-1, 3, C2f, [256]] # 15 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 13], 1, Concat, [1]] # cat head P4
  - [-1, 3, C2f, [512]] # 18 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 10], 1, Concat, [1]] # cat head P5
  - [-1, 3, C2f, [1024]] # 21 (P5/32-large)

  - [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)

4、把yaml文件放到train.Py文件里就可以运行了

成功结果如下（可以看到CBAM已经成功导入进去了）

于是乎CBAM注意力机制就成功导入啦！其他即插即用的注意力机制也可以按照这个方法哦。

如果出现显示未定义等报错，大家一定要看看自己注册那几个步骤有没有遗漏。

祝各位视觉小伙伴们研学之路顺顺利利。