devbox
煮酒与君饮
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

YOLOV5改进 | 注意力机制 | 一网打尽 C3ECA,C3CA,C3CBAM 等多种注意力机制（小白可轻松上手）

作者：煮酒与君饮 | 2024-07-24 08:53:08

赞

踩

c3cbam

尽管Ultralytics 推出了最新版本的 YOLOv8 模型。但YOLOv5作为一个anchor base的目标检测的算法，可能比YOLOv8的效果更好。注意力机制是提高模型性能最热门的方法之一，本文给大家带来的教程是多种注意力机制的添加。文章在介绍主要的原理后，将手把手教学如何进行模块的代码添加和修改，并将修改后的完整代码放在文章的最后，方便大家一键运行，小白也可轻松上手实践。以帮助您更好地学习深度学习目标检测YOLO系列的挑战。

专栏地址：YOLOv5改进+入门——持续更新各种有效涨点方法 

目录

1. 添加C3CA到common.py

 2. 在yolo.py文件中进行注册

3.增加yaml文件

4. 执行程序

5. 其他注意力机制

6. C3CBAM代码实现

7. C3ECA代码实现

8. C3SE代码实现

9.总结

10.完整代码

本文不在讲解原理，相关理论在之前的文章有所有提及，感兴趣的同学可以查看相关文章

下方链接点击即可跳转

YOLOv5改进 | 注意力机制 | 理解全局和局部信息的SE注意力机制-CSDN博客

YOLOv5改进 | 注意力机制 | 用于移动端的高效坐标CA注意力机制-CSDN博客

CBAM: YOLOv5改进 | 注意力机制 | 通道和空间的双重作用的CBAM注意力机制-CSDN博客

 ECA: YOLOv5改进 | 注意力机制 | 添加高效的通道注意力机制——ECA-CSDN博客

1. 添加C3CA到common.py

关键步骤一：将下面代码复制到. \models\common.py文件中

  1. class CABottleneck(nn.Module):
  2.     # Standard bottleneck
  3.     def __init__(self, c1, c2, shortcut=True, g=1, e=0.5,ratio=32):  # ch_in, ch_out, shortcut, groups, expansion
  4.         super().__init__()
  5.         c_ = int(c2 * e)  # hidden channels
  6.         self.cv1 = Conv(c1, c_, 1, 1)
  7.         self.cv2 = Conv(c_, c2, 3, 1, g=g)
  8.         self.add = shortcut and c1 == c2
  9.         # self.ca=CoordAtt(c1,c2,ratio)
  10.         self.pool_h = nn.AdaptiveAvgPool2d((None, 1))
  11.         self.pool_w = nn.AdaptiveAvgPool2d((1, None))
  12.         mip = max(8, c1 // ratio)
  13.         self.conv1 = nn.Conv2d(c1, mip, kernel_size=1, stride=1, padding=0)
  14.         self.bn1 = nn.BatchNorm2d(mip)
  15.         self.act = h_swish()
  16.         self.conv_h = nn.Conv2d(mip, c2, kernel_size=1, stride=1, padding=0)
  17.         self.conv_w = nn.Conv2d(mip, c2, kernel_size=1, stride=1, padding=0)
  18.     def forward(self, x):
  19.         x1=self.cv2(self.cv1(x))
  20.         n, c, h, w = x.size()
  21.         #c*1*W
  22.         x_h = self.pool_h(x1)
  23.         #c*H*1
  24.         #C*1*h
  25.         x_w = self.pool_w(x1).permute(0, 1, 3, 2)
  26.         y = torch.cat([x_h, x_w], dim=2)
  27.         #C*1*(h+w)
  28.         y = self.conv1(y)
  29.         y = self.bn1(y)
  30.         y = self.act(y)
  31.         x_h, x_w = torch.split(y, [h, w], dim=2)
  32.         x_w = x_w.permute(0, 1, 3, 2)
  33.         a_h = self.conv_h(x_h).sigmoid()
  34.         a_w = self.conv_w(x_w).sigmoid()
  35.         out = x1 * a_w * a_h
  36.  
  37.  
  38.         # out=self.ca(x1)*x1
  39.         return x + out if self.add else out
  40.  
  41.  
  42.  
  43. class C3CA(C3):
  44.     # C3 module with CABottleneck()
  45.     def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):
  46.         super().__init__(c1, c2, n, shortcut, g, e)
  47.         c_ = int(c2 * e)  # hidden channels
  48.         self.m = nn.Sequential(*(CABottleneck(c_, c_,shortcut) for _ in range(n)))

 2. 在yolo.py文件中进行注册

关键步骤二：在yolo.py文件中大约260左右进行注册模块

3.增加yaml文件

关键步骤三：在.\models文件夹下新增yolov5_c3ca.yaml文件，并复制下面内容

  1. # YOLOv5 
    声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/煮酒与君饮/article/detail/873798
    推荐阅读
    相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。