devbox
AllinToyou
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

YoloV8改进---注意力机制:引入瓶颈注意力模块BAM，对标CBAM_改进yolov8

作者：AllinToyou | 2024-06-10 09:06:13

赞

踩

改进yolov8

目录

​编辑

1.BAM介绍

 2.BAM引入到yolov8

2.1 加入modules.py中：

 2.2 加入tasks.py中：

2.3 yolov8_BAM.yaml

1.BAM介绍

 论文：https://arxiv.org/pdf/1807.06514.pdf

        摘要：提出了一种简单有效的注意力模块，称为瓶颈注意力模块（BAM），可以与任何前馈卷积神经网络集成。我们的模块沿着两条独立的路径，通道和空间，推断出一张注意力图。我们将我们的模块放置在模型的每个瓶颈处，在那里会发生特征图的下采样。我们的模块用许多参数在瓶颈处构建了分层注意力，并且它可以以端到端的方式与任何前馈模型联合训练。我们通过在CIFAR-100、ImageNet-1K、VOC 2007和MS COCO基准上进行大量实验来验证我们的BAM。我们的实验表明，各种模型在分类和检测性能上都有持续的改进，证明了BAM的广泛适用性。

        作者将BAM放在了Resnet网络中每个stage之间。有趣的是，通过可视化我们可以看到多层BAMs形成了一个分层的注意力机制，这有点像人类的感知机制。BAM在每个stage之间消除了像背景语义特征这样的低层次特征，然后逐渐聚焦于高级的语义–明确的目标。 

 

 作者提出了新的Attention模型——瓶颈注意模块，通过分离的两个路径channel和spatial得到attention map，减少计算开销和参数开销。

实验 

 BAM可以在大规模数据集中的各种模型上有很好的泛化能力，同时参数和计算的开销可以忽略不计，这表明提出的模块BAM可以有效地提高网络容量。另一个值得注意的是，改进的性能来自于只在网络中放置三个模块。

 BAM提高了所有具有两个骨干网络的强大基线的准确性.BAM的准确率提高是以可忽略不计的参数开销实现的，这表明提高不是由于天真的容量增加，而是由于我们有效的特征细化。

 2.BAM引入到yolov8

2.1 加入modules.py中：

  1. ###################### BAM  attention  ####     START   by  AI&CV  ###############################
  2.  
  3. import torch
  4. from torch import nn
  5. import torch.nn.functional as F
  6.  
  7.  
  8. class ChannelGate(nn.Module):
  9.     def __init__(self, channel, reduction=16):
  10.         super().__init__()
  11.         self.avgpool = nn.AdaptiveAvgPool2d(1)
  12.         self.mlp = nn.Sequential(
  13.             nn.Linear(channel, channel // reduction),
  14.             nn.ReLU(inplace=True),
  15.             nn.Linear(channel // reduction, channel)
  16.         )
  17.         self.bn = nn.BatchNorm1d(channel)
  18.  
  19.     def forward(self, x):
  20.         b, c, h, w = x.shape
  21.         y = self.avgpool(x).view(b, c)
  22.         y = self.mlp(y)
  23.         y = self.bn(y).view(b, c, 1, 1)
  24.         return y.expand_as(x)
  25.  
  26.  
  27. class SpatialGate(nn.Module):
  28.     def __init__(self, channel, reduction=16, kernel_size=3, dilation_val=4):
  29.         super().__init__()
  30.         self.conv1 = nn.Conv2d(channel, channel // reduction, kernel_size=1)
  31.         self.conv2 = nn.Sequential(
  32.             nn.Conv2d(channel // reduction, channel // reduction, kernel_size, padding=dilation_val,
  33.                       dilation=dilation_val),
  34.             nn.BatchNorm2d(channel // reduction),
  35.             nn.ReLU(inplace=True),
  36.             nn.Conv2d(channel // reduction, channel // reduction, kernel_size, padding=dilation_val,
  37.                       dilation=dilation_val),
  38.             nn.BatchNorm2d(channel // reduction),
  39.             nn.ReLU(inplace=True)
  40.         )
  41.         self.conv3 = nn.Conv2d(channel // reduction, 1, kernel_size=1)
  42.         self.bn = nn.BatchNorm2d(1)
  43.  
  44.     def forward(self, x):
  45.         b, c, h, w = x.shape
  46.         y = self.conv1(x)
  47.         y = self.conv2(y)
  48.         y = self.conv3(y)
  49.         y = self.bn(y)
  50.         return y.expand_as(x)
  51.  
  52.  
  53. class BAM(nn.Module):
  54.     def __init__(self, channel):
  55.         super(BAM, self).__init__()
  56.         self.channel_attn = ChannelGate(channel)
  57.         self.spatial_attn = SpatialGate(channel)
  58.  
  59.     def forward(self, x):
  60.         attn = F.sigmoid(self.channel_attn(x) + self.spatial_attn(x))
  61.         return x + x * attn
  62.  
  63. ###################### BAM  attention  ####     END   by  AI&CV  ###############################

 2.2 加入tasks.py中：

def parse_model(d, ch, verbose=True):  # model_dict, input_channels(3)

添加以下内容 

  1.         elif m is BAM:
  2.             c1, c2 = ch[f], args[0]
  3.             if c2 != nc:
  4.                 c2 = make_divisible(min(c2, max_channels) * width, 8)
  5.             args = [c1, *args[1:]]

2.3 yolov8_BAM.yaml

仅供参考，加入网络位置不同在不同数据集表现不一致是正常现场

  1. # Ultralytics YOLO 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/AllinToyou/article/detail/698072
    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。