中国画廊企业网站模板,wordpress 此网页包含重定向循环,ui做的好的公司网站,知名电子商务网站#x1f4a1;#x1f680;#x1f680;#x1f680;本博客 改进源代码改进 适用于 YOLOv8 按步骤操作运行改进后的代码即可
该专栏完整目录链接#xff1a; 芒果YOLOv8深度改进教程 该篇博客为免费阅读内容#xff0c;YOLOv8CBAM改进内容#x1f680;#x1f680;本博客 改进源代码改进 适用于 YOLOv8 按步骤操作运行改进后的代码即可
该专栏完整目录链接 芒果YOLOv8深度改进教程 该篇博客为免费阅读内容YOLOv8CBAM改进内容 文章目录 1. CBAM 论文2. YOLOv8 核心代码改进部分2.1 核心新增代码2.2 修改部分 2.3 YOLOv8-CBAM 网络配置文件2.4 运行代码改进说明 1. CBAM 论文 我们提出了卷积块注意力模块CBAM这是一种用于前馈卷积神经网络的简单而有效的注意力模块。 给定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推断注意力图然后将注意力图乘以输入特征图以进行自适应特征细化。 由于 CBAM 是一个轻量级通用模块因此它可以无缝集成到任何 CNN 架构中且开销可以忽略不计并且可以与基础 CNN 一起进行端到端训练。 我们通过在 ImageNet-1K、MS~COCO 检测和 VOC~2007 检测数据集上进行大量实验来验证我们的 CBAM。 我们的实验表明各种模型的分类和检测性能得到了一致的改进证明了 CBAM 的广泛适用性。 代码和模型将公开。 具体细节可以去看原论文https://arxiv.org/pdf/1807.06521.pdf 2. YOLOv8 核心代码改进部分
2.1 核心新增代码
首先在ultralytics/nn/modules文件夹下创建一个 cbam.py文件新增以下代码
import numpy as np
import torch
from torch import nn
from torch.nn import initclass ChannelAttentionModule(nn.Module):def __init__(self, c1, reduction16):super(ChannelAttentionModule, self).__init__()mid_channel c1 // reductionself.avg_pool nn.AdaptiveAvgPool2d(1)self.max_pool nn.AdaptiveMaxPool2d(1)self.shared_MLP nn.Sequential(nn.Linear(in_featuresc1, out_featuresmid_channel),nn.LeakyReLU(0.1, inplaceTrue),nn.Linear(in_featuresmid_channel, out_featuresc1))self.act nn.Sigmoid()#self.actnn.SiLU()def forward(self, x):avgout self.shared_MLP(self.avg_pool(x).view(x.size(0),-1)).unsqueeze(2).unsqueeze(3)maxout self.shared_MLP(self.max_pool(x).view(x.size(0),-1)).unsqueeze(2).unsqueeze(3)return self.act(avgout maxout)class SpatialAttentionModule(nn.Module):def __init__(self):super(SpatialAttentionModule, self).__init__()self.conv2d nn.Conv2d(in_channels2, out_channels1, kernel_size7, stride1, padding3)self.act nn.Sigmoid()def forward(self, x):avgout torch.mean(x, dim1, keepdimTrue)maxout, _ torch.max(x, dim1, keepdimTrue)out torch.cat([avgout, maxout], dim1)out self.act(self.conv2d(out))return outclass CBAM(nn.Module):def __init__(self, c1,c2):super(CBAM, self).__init__()self.channel_attention ChannelAttentionModule(c1)self.spatial_attention SpatialAttentionModule()def forward(self, x):out self.channel_attention(x) * xout self.spatial_attention(out) * outreturn out
2.2 修改部分
在ultralytics/nn/modules/init.py中导入 定义在 cbam.py 里面的模块
from .cbam import CBAMCBAM 加到 __all__ [...] 里面第一步 在ultralytics/nn/tasks.py文件中,新增
from ultralytics.nn.modules import CBAM然后在 在tasks.py中配置 找到 elif m is nn.BatchNorm2d:args [ch[f]]在这句上面加一个 elif m is CBAM:c1, c2 ch[f], args[0]if c2 ! nc: # if c2 not equal to number of classes (i.e. for Classify() output)c2 make_divisible(min(c2, max_channels) * width, 8)args [c1, c2, *args[1:]]2.3 YOLOv8-CBAM 网络配置文件
新增YOLOv8-CBAM.yaml
# 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. modelyolov8n.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 GFLOPss: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPsm: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients, 79.3 GFLOPsl: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPsx: [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, 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, 3, CBAM, [1024]]- [-1, 1, SPPF, [1024, 5]] # 9# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, nearest]]- [[-1, 6], 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)2.4 运行代码
直接替换YOLOv8-CBAM.yaml 进行训练即可
到这里就完成了这篇的改进。
改进说明
这里改进是放在了主干后面如果想放在改进其他地方也是可以的。直接新增然后调整通道配齐即可如果有不懂的可以添加博主联系方式如下 添加博主联系方式
友好的读者可以添加博主QQ: 2434798737, 有空可以回答一些答疑和问题 参考
https://github.com/ultralytics/ultralytics
