计算机视觉中的YOLOv5改进注意力机制：全面汇总

最新推荐文章于 2025-04-24 17:24:23 发布
最新推荐文章于 2025-04-24 17:24:23 发布
阅读量295 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： 计算机视觉 YOLO 目标跟踪
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/IpyVariable/article/details/132886828
本文详细介绍了YOLOv5目标检测算法中的一些关键注意力机制，如S2A（Spatial and Channel Squeeze & Excitation Attention）、SE（Squeeze-and-Excitation）和SimAM（Selective Interactive Module Attention），这些机制通过增强特征图的表征能力，提升计算机视觉任务的准确性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

计算机视觉中的YOLOv5改进注意力机制：全面汇总

注意力机制是计算机视觉中一种重要的技术手段，它能够帮助模型更加有效地聚焦于图像中的重要区域并提升目标检测的准确性。在YOLOv5目标检测算法中，有许多改进的注意力机制被引入，包括S2A、SE、SimAM、SKA、ShA、SOCA、CA、CBAM、CrissCrossA、NAM和GAM等。本文将对这些改进的注意力机制进行详细的介绍，并提供相应的源代码。

  1. S2A（Spatial and Channel Squeeze & Excitation Attention）
    S2A注意力机制通过对通道和空间维度同时进行压缩和激励操作来增强特征图的表征能力。以下是S2A注意力机制的源代码示例：
import torch
import torch.nn as nn

class S2A(nn.Module)
了解本专栏 订阅专栏 解锁全文
手把手带你 YOLOv5/v7 添加注意力机制（并附上30多种顶会Attention原理图）2024/2/5更新
YOLOv8项目贡献者
04-27 20万+
YOLOv5/v7 添加注意力机制教程 2023/6/15更新🍀🍀🍀
YOLOv5添加注意力机制 Pytorch
“365天深度学习训练营”报名进行中～
03-01 3532
我的YOLOv5版本为6.0 需要修改的两个文件如下： ./models/yolo5s_SE-Net.yaml ./models/commom.py 1. yolo5s_SE-Net.yaml文件 yolo5s_SE-Net.yaml 修改自文件yolo5s.yaml yolo5s.yaml 文件内容为： # YOLOv5 🚀 by Ultralytics, GPL-3.0 license # Parameters nc: 1 # number of classes depth_multiple:
YOLOv5添加注意力机制的具体步骤
thy0000的博客
06-06 2万+
本文主要介绍了 本文在此篇博客的基础上向YOLOv5-5.0版 本文主要包括以下内容一、CBAM注意力机制添加（1）修改yolov5s主干网络（2）在common.py中添加可调用的CBAM模块（3）向yolo.py文件添加CBAMC3判断语句二、SE注意力机制添加 本文以yolov5s网络为例 一、CBAM注意力机制添加 注意力机制可以添加在backbone，Neck，Head等部分，接下来本文以backbone主干网络为例 （1）修改yolov5s主干网络 1.在yolov5-5.0工程文件夹下，找到m
YOLOv12的注意力机制革新与实时检测性能分析——基于架构优化与历史版本对比
最新发布
Coovally_AI的博客
04-24 1148
例如，最小的变体 YOLOv12-N实现了40.6% 的 mAP，超过了YOLOv10-N（38.5%）和YOLOv11-N（39.4%），在T4 GPU上的推理时间为1.64 ms。具体来说，尺寸为（H，W）的特征图被划分为大小为（H/L，W）或（H，W/L）的L个片段，省去了其他注意力模型中的显式窗口划分方法，如移位窗口、十字注意力或轴向注意力。这些改进凸显了YOLOv12在保持或提高检测精度的同时降低延迟的效率，使其非常适合自动驾驶、监控和机器人等对时间敏感的应用，在这些应用中，快速处理至关重要。
Yolov5添加注意力机制
m0_56247038的博客
05-18 2万+
1、先把注意力结构代码放到common.py文件中，以SE举例，将这段代码粘贴到common.py文件中2、找到yolo.py文件里的parse_model函数，将类名加入进去3、修改配置文件（我这里拿yolov5s.yaml举例子），将注意力层加到你想加入的位置；常用的一般是添加到backbone的最后一层，或者C3里面，这里是加在了最后一层。
YOLOv5算法改进--通过yaml文件添加注意力机制【附代码】
z240626191s的博客
09-21 5100
以往的算法改进中，网络结构一般直接是用代码写好的，个人感觉这样的方式其实更利于算法的改进，更简单明了。但也有很多算法，比如v5，YOLOR，YOLOV7等等，是用yaml文件进行模型的定义，然后通过函数读取模型，如果你需要，增添自己的想法，通过修改yaml是不易的，但在实际中这又是不可避免的。因此本文章将以YOLOv5 6.0为例，在yaml中添加注意力机制来改进网络。本文将在yolov5s结构中插入通道注意力机制SENet为例。
YOLOv5改进 | 一文汇总：如何在网络结构中添加注意力机制、C3、卷积、Neck、SPPF、检测头
weixin_39818775的博客
05-24 1720
为了进一步提升YOLOv5的性能，研究人员提出了多种改进策略，包括注意力机制、C3模块、卷积改进、Neck改进、SPPF模块、检测头改进等。本文将对这些改进策略进行综述，介绍其原理、应用场景、算法实现、代码示例、部署测试方法、文献资料、应用案例、总结、影响和未来扩展方向等。C3模块是一种用于特征提取的网络结构，它能够融合不同尺度的特征，从而提升模型对小目标的检测能力。SPPF模块是一种用于多尺度特征融合的网络结构，它可以提取不同尺度的特征并进行融合，从而提升模型对多尺度目标的检测能力。
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 16万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOLOv8改进 | 注意力篇 | 一文带你改进GAM、CBAM、CA、ECA等通道注意力机制和多头注意力机制
Snu77的博客
03-22 3万+
官方论文地址：官方论文地址点击此处即可跳转官方代码地址：官方代码地址点击此处即可跳转GAM旨在通过设计一种机制，减少信息损失并放大全局维度互动特征，从而解决传统注意力机制在通道和空间两个维度上保留信息不足的问题。GAM采用了顺序的通道-空间注意力机制，并对子模块进行了重新设计。具体来说，通道注意力子模块使用3D排列来跨三个维度保留信息，并通过一个两层的MLP增强跨维度的通道-空间依赖性。
零基础教程：Yolov5模型改进-添加13种注意力机制
pyscl01的博客
09-25 5544
零基础教程：Yolov5模型改进-添加注意力机制的详细步骤
番外篇 | 20+ 种注意力机制及代码 适用于YOLOv5/v7/v8（新增5种v7模板）
YOLOv8项目贡献者
02-19 2万+
番外篇 | 20+ 种注意力机制及代码 适用于YOLOv5/v7
yolov5-attention
04-12
该存储库代表Ultralytics对未来的对象检测方法的开源研究，并结合了在匿名客户数据集上数千小时的培训和发展过程中汲取的经验教训和最佳实践。 所有代码和模型都在积极开发中，如有更改或删除，恕不另行通知。 使用风险自负。 ** GPU速度使用批处理大小为32的V100 GPU测量超过5000张COCO val2017图像的平均每张图像的端到端时间，包括图像预处理，PyTorch FP16推理，后处理和NMS。 来自EfficientDet数据（批量大小为8）。 2021年1月5日： ：nn.SiLU（）激活，记录， 集成。 2020年8月13日： ：nn.Hardswish（）激活，数据自动下载，本机AMP。 2020年7月23日： ：改进了模型定义，培训和mAP。 2020年6月22日： 更新：新机头，减少了参数，提高了速度，并提高了mAP 。 2020年6月19日： 作为
YOLOv5改进 | 注意力机制 | 通道和空间的双重作用的CBAM注意力机制
kay_545
05-12 3338
CBAM（Convolutional Block Attention Module）是一种用于增强卷积神经网络（CNN）性能的注意力机制。它由两个子模块组成：通道注意力模块和空间注意力模块。通道注意力模块通过全局平均池化和全连接层学习通道间的关系，并利用学到的权重对每个通道的特征图进行加权，以增强有用的特征并抑制无用的特征。空间注意力模块则通过对特征图在空间维度上进行最大池化和平均池化操作，结合两种池化结果通过全连接层学习得到每个空间位置的权重，使得网络能够更好地关注图像中的重要区域。
YOLOV5中注意力函数的添加
weixin_42182534的博客
02-16 4925
可以参考以下博主的回答 ​​​​​​yolov5加入CBAM,SE,CA,ECA注意力机制，纯代码（22.2.14又更新）_zqt321的博客-优快云博客_yolov5注意力机制 【YOLOV5-5.x 源码解读】common.py_满船清梦压星河HK的博客-优快云博客 CoordAttention/coordatt.py at main · Andrew-Qibin/CoordAttention · GitHub ...
【YOLOv5进阶】——引入注意力机制-以SE为例
weixin_51658186的博客
07-02 3117
首先需要在backbone的最后加上SE模块（相当于多了一层为第10层）；其次考虑到backbone里多了一层，且在head里的输入层来源不止上一层（-1）一个，所以输入层来源大于等于第10层的都需要改为往后递推+1层。
Yolov5--从模块解析到网络结构修改（添加注意力机制）
Mr_Clutch的博客
08-26 5万+
文章目录1.模块解析(common.py)01. Focus模块02. CONV模块03.Bottleneck模块：04.C3模块05.SPP模块2.为yolov5添加CBAM注意力机制 最近在进行yolov5的二次开发，软件开发完毕后才想着对框架进行一些整理和进一步学习，以下将记录一些我的学习记录。 1.模块解析(common.py)   01. Focus模块 作用：下采样 输入：data( 3×640×640 彩色图片) Focus模块的作用是对图片进行切片，类似于下采样，先将图片变为320
YOLOv5改进 | 添加ECA注意力机制 + 更换主干网络之ShuffleNetV2
突然好想你
12-03 3199
本文给大家介绍一种轻量化部署改进方式，即在主干网络中添加ECA注意力机制和更换主干网络之ShuffleNetV2。🌈
YOLOv5 + SE注意力机制：提升目标检测性能的实践
weixin_52603404的博客
02-28 2512
YOLOv5以其高效性和准确性在目标检测中得到了广泛应用。Backbone：负责从输入图像中提取特征。Neck：通过特征融合提高模型的多尺度感知能力。Head：根据提取的特征进行预测。SE（Squeeze-and-Excitation）注意力机制是一种轻量级的注意力模块，旨在通过显式地建模通道间的依赖关系，提升模型的表示能力。Squeeze（压缩）：通过全局平均池化操作，将特征图的空间维度压缩为1，生成通道描述符。Excitation（激励）
YOLOV5改进：添加注意力机制
weixin_46046179的博客
07-13 8954
注意力机制是指人类或机器在处理信息时，对于某些特定的信息或区域给予更高的关注和处理能力的一种认知机制。它模拟了人类在面对复杂的信息时，通过选择性地关注和集中注意力，从而提高信息处理和理解的效果。通俗地说，就是更好地寻找自己感兴趣的区域或目标。作用：在机器学习和人工智能领域，注意力机制被广泛应用于各种任务，特别是在自然语言处理和计算机视觉中。通过引入注意力机制，模型可以自动地学习和集中关注输入数据中的关键信息，从而提高任务的准确性和效果。
yolov11 用线性注意力机制改进
02-12
### 使用线性注意力机制优化 YOLOv11 目标检测模型 为了提高YOLOv11目标检测模型的性能，可以采用多尺度线性注意力机制（MLAttention）。这种机制能够通过生成查询（Q）、键（K）、值（V）三组特征来促进图像局部和全局信息的有效交互。该方法不仅增强了关键区域特征的重要性，还抑制了冗余或无关的信息，从而提升了图像特征提取的准确性与鲁棒性[^3]。 #### MLAttention 的工作原理 在线性注意力机制下，首先会利用Softmax函数计算各个位置上的注意力权重。接着，这些权重被用来对输入特征图中的不同部分进行加权求和处理，使得那些对于当前任务更重要的视觉模式得到强化。此过程有助于更好地捕捉物体间的空间关系及其上下文依赖特性。 ```python import torch.nn as nn class LinearAttention(nn.Module): def __init__(self, channels): super().__init__() self.qkv_transform = nn.Conv2d(channels * 3, channels, kernel_size=1) def forward(self, x): B, C, H, W = x.shape qkv = self.qkv_transform(x) q, k, v = qkv.chunk(3, dim=1) attn_weights = torch.softmax(q @ k.transpose(-2,-1), dim=-1) out = attn_weights @ v return out + x ``` 上述代码展示了如何构建一个多头线性变换层`qkv_transform`，其作用是从原始特征映射中分别获取Query、Key 和 Value 表示形式。之后，在前向传播过程中执行矩阵乘法运算并应用softmax激活函数获得最终的关注度得分分布；最后再将这些分数应用于Value表示上完成加权汇总操作，并返回更新后的特征张量作为输出结果。 #### 将 MLAttention 集成至 YOLOv11 中 要使MLAttention融入YOLOv11架构内，则需考虑将其放置于骨干网络末端或是颈部组件之间合适的位置处。这样做可以在保持原有框架不变的情况下增加额外的功能模块，进而达到改善整体表现的目的。此外，由于MLAttention本身具备轻量化特点，因此不会给整个系统带来过多负担。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值