YOLOv5改進之添加SE注意力機制是什么

本篇內容主要講解“YOLOv5改進之添加SE注意力機制是什么”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“YOLOv5改進之添加SE注意力機制是什么”吧!

解決問題：

加入SE通道注意力機制，可以讓網絡更加關注待檢測目標，提高檢測效果

SE模塊的原理和結構

添加方法：

第一步：確定添加的位置，作為即插即用的注意力模塊，可以添加到YOLOv5網絡中的任何地方。本文以添加進C3模塊中為例。

第二步：common.py構建融入se模塊的C3,與原C3模塊不同的是，該模塊中的bottleneck中融入se模塊。這樣添加主要為了更好的做實驗。

class seC3(nn.Module):
    # CSP Bottleneck with 3 convolutions
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion
        super(seC3, self).__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c1, c_, 1, 1)
        self.cv3 = Conv(2 * c_, c2, 1)  # act=FReLU(c2)
        self.m = nn.Sequential(*[seBottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)])
        # self.m = nn.Sequential(*[CrossConv(c_, c_, 3, 1, g, 1.0, shortcut) for _ in range(n)])
 
    def forward(self, x):
        return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), dim=1))
 
class seBottleneck(nn.Module):
    # Standard bottleneck
    def __init__(self, c1, c2, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, shortcut, groups, expansion
        super(seBottleneck, self).__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_, c2, 3, 1, g=g)
        self.add = shortcut and c1 == c2
        self.avgpool = nn.AdaptiveAvgPool2d(1)
        self.l1 = nn.Linear(c1, c1 // 4, bias=False)
        self.relu = nn.ReLU(inplace=True)
        self.l2 = nn.Linear(c1 // 4, c1, bias=False)
        self.sig = nn.Sigmoid()
 
    def forward(self, x):
        x = self.cv1(x)
        b, c, _, _ = x.size()
        y = self.avgpool(x).view(b, c)
        y = self.l1(y)
        y = self.relu(y)
        y = self.l2(y)
        y = self.sig(y)
        y = y.view(b, c, 1, 1)
        x = x * y.expand_as(x)
        return x + self.cv2(x) if self.add else self.cv2(self.cv1(x))

第三步：yolo.py中注冊我們進行修改的seC3

        if m in [Conv, GhostConv, Bottleneck, Bottleneck_cot,TransformerC3,GhostBottleneck, SPP, DWConv, MixConv2d, Focus, CrossConv, BottleneckCSP,
                 C3,seC3]:
            c1, c2 = ch[f], args[0]
            if c2 != no:  # if not output
                c2 = make_divisible(c2 * gw, 8)
            args = [c1, c2, *args[1:]]
            if m in [BottleneckCSP, seC3]:
                args.insert(2, n)  # number of repeats
                n = 1

第四步：修改yaml文件，本文以修改主干特征提取網絡為例，將原C3模塊改為seC3即可。

第五步：將train.py中改為本文的yaml文件即可，開始訓練。

結果：

本人在多個數據集上做了大量實驗，針對不同的數據集效果不同，同一個數據集的不同添加位置方法也是有差異，需要大家進行實驗。有效果有提升的情況占大多數。

PS：SE通道注意力機制，參數量引入較少，不僅僅是可以添加進YOLOv5，也可以添加進任何其他的深度學習網絡，不管是分類還是檢測還是分割，主要是計算機視覺領域，都可能會有不同程度的提升效果。

到此，相信大家對“YOLOv5改進之添加SE注意力機制是什么”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！