YOLOv8模型改进3【增加高精度轻量化注意力机制SA-Net】【解决报错：NameError: name ‘Parameter‘ ......以及报错：AttributeError......】

本文介绍了如何在YOLOv8模型中添加SA-Net注意力机制以提高目标检测精度，同时解决了训练和预测过程中遇到的NameError和AttributeError。SA-Net结合通道和空间注意力，虽提升性能但增加计算负担。文章提供代码修改指导，并给出错误处理方案。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、SA-Net注意力机制简介

SA-Net注意力机制全称为（ShuffleAttention）。前文介绍的CBAM注意力机制相比于SE注意力机制来讲，它融合了通道注意力以及空间注意力，即——使用了两种注意力的组合来提高模型对有效信息的专注度（注意：通道与空间注意力也是视觉任务中使用比较广泛的两种注意力，经常是它们的组合变换）。虽然通过这种组合，使其在目标检测任务上有较好的表现，但是不可避免地会增加计算开销。

为了解决这个问题，一种轻量化的注意力机制就诞生了——ShuffleAttention

ShuffleAttention模型结构图如下图所示：

在这里插入图片描述
*
目标检测任务中Shuffle Attention模块在COCO val2017上的表现如下表所示：*

【注1】：如果该模型在你的任务上表现良好或者想了解一下具体的细节的话，请看论文：https://arxiv.org/pdf/2102.00240.pdf
【注2】：Githhub代码：https://github.com/wofmanaf/SA-Net

二、增加`ShuffleAttention`注意力机制到`YOLOv8`模型上

*修改的地方与前面增加注意力的方法大部分仍然是一致的，只是会有一点不同！*
【1: …/ultralytics/nn/modules/conv.py】

在这个文件的末尾增加有关ShuffleAttention的代码：

class ShuffleAttention(nn.Module):

    def __init__(self, channel=512, reduction=16, G=8):
        super().__init__()
        self.G = G
        self.channel = channel
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.gn = nn.GroupNorm(channel // (2 * G), channel // (2 * G))
        self.cweight = Parameter(torch.zeros(1, channel // (2 * G), 1, 1))
        self.cbias = Parameter(torch.ones(1, channel // (2 * G), 1, 1))
        self.sweight = Parameter(torch.zeros(1, channel // (2 * G), 1, 1))
        self.sbias = Parameter(torch.ones(1, channel // (2 * G), 1, 1))
        self.sigmoid = nn.Sigmoid()

    def init_weights(self):
        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                init.kaiming_normal_(m.weight, mode='fan_out')
                if m.bias is not None:
                    init.constant_(m.bias, 0)
            elif isinstance(m, nn.BatchNorm2d)