公司网站管理图片,美术设计与制作,淘宝seo搜索优化,如何查外贸网站外链自我介绍#xff1a;本人硕士期间全程放养#xff0c;目前成果:一篇北大核心CSCD录用,两篇中科院三区已见刊#xff0c;一篇中科院四区在投。如何找创新点#xff0c;如何放养过程厚积薄发#xff0c;如何写中英论文#xff0c;找期刊等等。本人后续会以自己实战经验详细… 自我介绍本人硕士期间全程放养目前成果:一篇北大核心CSCD录用,两篇中科院三区已见刊一篇中科院四区在投。如何找创新点如何放养过程厚积薄发如何写中英论文找期刊等等。本人后续会以自己实战经验详细写出来还请大家能够点个关注和赞收藏一下谢谢大家。
1. 文章主要内容 本篇博客主要涉及混合(通道角度与空间角度)注意力机制CBAM融合到YOLOv5模型中。通读本篇博客需要7分钟左右的时间。
2. 详细代码改进流程
2.1 CBAM源代码(大家自己创建CBAM.py文件) 注意博主在CBAM源码当中添加了C3与CBAM结合的代码还有main函数的测试案例不影响CBAM的单独使用。
import numpy as np
import torch
from torch import nn
from torch.nn import initfrom models.common import Bottleneck, Convclass ChannelAttention(nn.Module):def __init__(self, channel, reduction16):super().__init__()self.maxpool nn.AdaptiveMaxPool2d(1)self.avgpool nn.AdaptiveAvgPool2d(1)self.se nn.Sequential(nn.Conv2d(channel, channel // reduction, 1, biasFalse),nn.ReLU(),nn.Conv2d(channel // reduction, channel, 1, biasFalse))self.sigmoid nn.Sigmoid()def forward(self, x):max_result self.maxpool(x)avg_result self.avgpool(x)max_out self.se(max_result)avg_out self.se(avg_result)output self.sigmoid(max_out avg_out)return outputclass SpatialAttention(nn.Module):def __init__(self, kernel_size7):super().__init__()self.conv nn.Conv2d(2, 1, kernel_sizekernel_size, paddingkernel_size // 2)self.sigmoid nn.Sigmoid()def forward(self, x):max_result, _ torch.max(x, dim1, keepdimTrue)avg_result torch.mean(x, dim1, keepdimTrue)result torch.cat([max_result, avg_result], 1)output self.conv(result)output self.sigmoid(output)return outputclass CBAMBlock(nn.Module):def __init__(self, channel512, reduction16, kernel_size7):super().__init__()self.ca ChannelAttention(channelchannel, reductionreduction)self.sa SpatialAttention(kernel_sizekernel_size)def init_weights(self):for m in self.modules():if isinstance(m, nn.Conv2d):init.kaiming_normal_(m.weight, modefan_out)if m.bias is not None:init.constant_(m.bias, 0)elif isinstance(m, nn.BatchNorm2d):init.constant_(m.weight, 1)init.constant_(m.bias, 0)elif isinstance(m, nn.Linear):init.normal_(m.weight, std0.001)if m.bias is not None:init.constant_(m.bias, 0)def forward(self, x):b, c, _, _ x.size()out x * self.ca(x)out out * self.sa(out)return outclass C3CBAM(nn.Module):def __init__(self, c1, c2, n1, shortcutTrue, g1,e0.5): # ch_in, ch_out, number, shortcut, groups, expansion #iscyysuper(C3CBAM, self).__init__()c_ int(c2 * e) # hidden channelsself.cbam CBAMBlock(c1)self.cv1 Conv(c1, c_, 1, 1)self.cv2 Conv(c1, c_, 1, 1)self.cv3 Conv(2 * c_, c2, 1) # actFReLU(c2)# self.m nn.Sequential(*[CB2d(c_) for _ in range(n)])self.m nn.Sequential(*[Bottleneck(c_, c_, shortcut, g, e1.0) for _ in range(n)])def forward(self, x):out torch.cat((self.m(self.cv1(self.cbam(x))), self.cv2(self.cbam(x))), dim1)out self.cv3(out)return outif __name__ __main__:input torch.randn(50, 512, 7, 7)cbam C3CBAM(512, 512)output cbam(input)print(output.shape) 需要注意到 源代码CBAMBlock类只需要传入一个输入的通道数channel与YOLOv5的C3结构融合后则C3CBAM需要传入输入和输出通道数但大家仔细发现在C3CBAM的这行代码self.cbam CBAMBlock(c1)实际的CBAM也只是需要传入输入的通道数即可。大家可以通过main函数进行测试。另外在C3CBAM中其中cv1和cv2方法里面的参数x都先通过了cbam注意力机制这里大家可以自定义的设置。
2.2 建立一个yolov5-cbam.yaml文件 注意到这里博主直接使用C3CBAM代替Backbone部分的四个C3结构,另外注意nc改为自己数据集的类别数。当然CBAM结构可以自由的放到网络当中的任何结构但需要特别注意放了之后层次的更替问题如有不懂可以查看我之前写的一篇博客(以及评论区注意点)【目标检测实验系列】通过全局上下文注意力机制Global Context Block(GC)融合到YOLOv5案例吃透简单即插即用注意力机制代码修改要点举一反三超详细改进代码流程
# YOLOv5 by Ultralytics, GPL-3.0 license# Parameters
nc: 4 # 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 小目标- [30,61, 62,45, 59,119] # P4/16 中目标- [116,90, 156,198, 373,326] # P5/32 大目标# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2 output_channel, kernel_size, stride, padding[-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)]
3.3 将C3CBAM引入到yolo.py文件中 在下图的位置处引入相关的类即可。
3.4 修改train.py启动文件 修改配置文件为yolov5-cbam.yaml即可如下图所示
4. 总结 本篇博客主要介绍了CBAM融合到YOLOv5模型通过关注通道和空间特征助力模型高效涨点。另外在修改过程中要是有任何问题评论区交流如果博客对您有帮助请帮忙点个赞收藏一下后续会持续更新本人实验当中觉得有用的点子如果很感兴趣的话可以关注一下谢谢大家啦
