YOLOv8改进 | 注意力机制 | 添加MLCA混合局部通道注意力（轻量化注意力机制）

已于 2024-03-11 07:37:14 修改
阅读量9k 收藏 55
点赞数 35
CC 4.0 BY-SA版权
分类专栏： YOLOv8有效涨点专栏 文章标签： YOLO 深度学习 人工智能 计算机视觉 python pytorch 目标检测
于 2024-01-03 06:00:00 首次发布
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/java1314777/article/details/135257818
本文介绍了如何在YOLOv8中应用MLCA（Mixed Local Channel Attention）以提高目标检测精度。MLCA结合局部和全局特征，强化网络对有用特征的捕获。通过详细步骤指导添加MLCA，并分享了不同位置添加的效果，包括在残差连接、Neck部分和Backbone的应用。实验表明，MLCA能在增加少量参数的情况下显著提升模型性能。

一、本文介绍

本文带来的改进机制是MLCA(Mixed local channel attention)翻译来就是混合局部通道注意力，它结合了局部和全局特征以及通道和空间特征的信息，根据文章的内容来看他是一个轻量化的注意力机制，能够在增加少量参数量的情况下从而大幅度的提高检测精度(论文中是如此描述的)，根据我的实验内容来看，该注意力机制确实参数量非常少，效果也算不错，而且官方的代码中提供了二次创新的思想和视频讲解非常推荐大家观看。

专栏回顾：YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备    

目录

一、本文介绍

二、MLCA的基本框架原理

三、MLCA的核心代码

四、手把手教你添加MLCA

4.1 MLCA添加步骤

4.1.1 步骤一

4.1.2 步骤二

4.1.3 步骤三

五、MLCA的yaml文件和运行记录

5.1 MLCA的yaml文件一

5.2 MLCA的yaml文件二

5.3 MLCA的yaml文件三

5.3 推荐MLCA可添加的位置 

5.4 MLCA的训练过程截图 

五、本文总结

二、MLCA的基本框架原理

官方论文地址： 官方论文地址，需要注意的是该文章为非开源需要花钱下载

官方代码地址： 官方代码地址

了解本专栏 订阅专栏 解锁全文
【YOLOv8改进-注意力机制】MLCA(Mixed local channel attention):混合局部通道注意力
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-28 1747
本项目介绍了一种轻量级的 Mixed Local Channel Attention (MLCA) 模块，该模块同时考虑通道信息和空间信息，并结合局部信息和全局信息以提高网络的表达效果。基于该模块，我们提出了 MobileNet-Attention-YOLO(MAY) 算法，用于比较各种注意力模块的性能。在 Pascal VOC 和 SMID 数据集上，MLCA 相对于其他注意力技术更好地平衡了模型表示效果、性能和复杂度。
YOLOv8涨点改进：轻量级的 Mixed Local Channel Attention (MLCA)，加强通道信息和空间信息提取能力
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
12-20 4021
一种轻量级的 Mixed Local Channel Attention (MLCA) 模块，该模块考虑通道信息和空间信息，并结合局部信息和全局信息以提高网络的表达效果
复现CVPR 2025 MLCA注意力：给YOLOv8装上跨尺度“雷达“，COCO mAP从53.3%干到59.1%，小目标AP暴涨8%
最新发布
专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。
10-20 568
多尺度目标混杂的场景：如街景（行人+公交车+远处自行车）、遥感（小轿车+大楼+路灯）；小目标占比高的任务：如无人机航拍、工业质检（细小零件）；目标尺度动态变化的场景：如车载摄像头（车辆靠近/远离）。
YOLOv5改进 | 注意力篇 | 添加MLCA混合局部通道注意力（轻量化注意力机制）
Snu77的博客
01-08 3159
本文带来的改进机制是翻译来就是混合局部通道注意力，它结合了局部和全局特征以及通道和空间特征的信息，根据文章的内容来看他是一个轻量化的注意力机制，能够在增加少量参数量的情况下从而大幅度的提高检测精度(论文中是如此描述的)，根据我的实验内容来看，该注意力机制确实参数量非常少，效果也算不错，而且官方的代码中提供了二次创新的思想和视频讲解非常推荐大家观看。YOLOv5改进有效涨点目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新目录。
YOLOv9改进，YOLOv9添加GAM注意力机制
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
07-09 1289
全局注意力机制（GAM），通过减少信息减少和放大全局交互表示来提高深度神经网络的性能。引入了带有多层感知器的 3D 排列，用于通道注意力以及卷积空间注意力子模块，GAM注意机制理论详解可以参考链接:论文地址）
(即插即用模块-Attention部分) 四十一、(2023) MLCA 混合局部通道注意力
wei582636312的博客
01-12 1367
现有通道注意力机制的局限性： 大多数通道注意力机制只关注通道特征信息，忽略了空间特征信息，导致模型的表达能力或目标检测性能较差。空间注意力模块的复杂性： 现有的空间注意力模块往往结构复杂，计算量大，难以直接应用于轻量级网络模型。这篇论文提出一种 混合局部通道注意力（Mixed Local Channel Attention），MLCA 的提出便是为了解决现有通道注意力机制的局限性，并提高目标检测网络的性能。
轻量级的 Mixed Local Channel Attention (MLCA)-加强通道信息和空间信息提取能力
qq_41823532的博客
01-08 8511
本文章介绍了一种轻量级的 Mixed Local Channel Attention (MLCA) 模块，该模块同时考虑通道信息和空间信息，并结合局部信息和全局信息以提高网络的表达效果。基于该模块，我们提出了 MobileNet-Attention-YOLO(MAY) 算法，用于比较各种注意力模块的性能。在 Pascal VOC 和 SMID 数据集上，MLCA 相对于其他注意力技术更好地平衡了模型表示效果、性能和复杂度。
YOLOv9改进策略 | 添加注意力篇 | 添加MLCA混合局部通道注意力（轻量化注意力机制）
Snu77的博客
05-08 1862
本文带来的改进机制是翻译来就是混合局部通道注意力，它结合了局部和全局特征以及通道和空间特征的信息，根据文章的内容来看他是一个轻量化的注意力机制，能够在增加少量参数量的情况下从而大幅度的提高检测精度(论文中是如此描述的)，根据我的实验内容来看，该注意力机制确实参数量非常少，效果也算不错，而且官方的代码中提供了二次创新的思想和视频讲解非常推荐大家观看。同时在开始讲解之前推荐一下我的专栏，本专栏的内容支持(分类、检测、分割、追踪、关键点检测),专栏目前为限时折扣，
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 17万+
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。
YOLOv10改进 | 添加注意力篇 | 添加MLCA混合局部通道注意力（轻量化注意力机制）
Snu77的博客
07-15 1488
本文带来的改进机制是翻译来就是混合局部通道注意力，它结合了局部和全局特征以及通道和空间特征的信息，根据文章的内容来看他是一个轻量化的注意力机制，能够在增加少量参数量的情况下从而大幅度的提高检测精度(论文中是如此描述的)，根据我的实验内容来看，该注意力机制确实参数量非常少，效果也算不错，而且官方的代码中提供了二次创新的思想和视频讲解非常推荐大家观看。YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍二、MLCA的基本框架原理三、MLCA的核心代码四、手把手教你添加MLCA。
YOLOv11改进策略【注意力机制篇】| Mixed Local Channel Attention (MLCA) 同时融合通道、空间、局部信息和全局信息的新型注意力
Limiiiing的博客
10-28 900
本文记录的是利用模块优化的目标检测网络模型。的作用在于同时包含了通道信息和空间信息，克服了常见通道注意力方法只考虑通道关系而忽略空间信息的问题。相比一些只提供全局长程信息的方法，能更好地表达网络特征。本文将其加入到的不同位置中，综合多种信息，更好地突出重要特征，从而提升模型对物体检测的表达能力。Mixed local channel attention for object detection的输入特征向量会进行两步池化。首先通过局部池化将输入转化为1∗C∗ks∗ks1*C*ks*ks1∗C∗ks∗ks的向
YOLO11涨点优化：block优化 | LSKblockAttention助力旋转目标检测，南开大学提出LSKNet：遥感旋转目标检测新SOTA
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
10-10 763
如何与YOLO11结合，LSKblockAttention与11Detect高效结合，提升旋转目标检测精度
YOLOv9改进，YOLOv9添加NAM注意力机制并与RepNCSPELAN4结构融合
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
08-31 481
我们提出了NAM作为一种高效且轻量级的注意机制。我们采用了CBAM中的模块整合方法，并重新设计了通道和空间注意子模块。然后，在每个网络块的末端嵌入NAM模块。对于残差网络，它被嵌入到残差结构的末端。我们还对空间维度应用BN的缩放因子来衡量像素的重要性。我们称之为像素归一化。对应的空间注意子模块如图2。NAM的优势1.高效性：通过使用BN的缩放因子，我们能够高效地衡量通道和像素的重要性，而不会显著增加计算复杂度。2.轻量级：NAM模块结构简单且易于嵌入现有网络架构中。
YOLOv10涨点改进：如何魔改注意力进行二次创新，高效替换PSA | NEU-DET为案列进行展开
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
05-28 6748
在NEU-DET案列进行可行性验证，1）mAP50从0.683提升至0.698；2）mAP50从0.683提升至0.695;
YOLOv9改进策略【注意力机制篇】| 添加SE、CBAM、ECA、CA、Swin Transformer等注意力和多头注意力机制
Limiiiing的博客
08-22 2634
这篇文章带来一个经典注意力模块的汇总，虽然有些模块已经发布很久了，但后续的注意力模块也都是在此基础之上进行改进的，对于初学者来说还是有必要去学习了解一下，以加深对模块，模型的理解。
Pointnet++改进注意力机制系列：全网首发MLCA轻量级的混合本地信道注意力机制 |即插即用，实现有效涨点
AIcurator的博客
01-11 1179
注意机制是计算机视觉中应用最广泛的组成部分之一，它可以帮助神经网络突出重要元素，抑制无关元素。然而，绝大多数通道注意机制只包含通道特征信息，忽略了空间特征信息，导致模型表示效果或目标检测性能较差，且空间注意模块往往复杂且昂贵。为了在性能和复杂性之间取得平衡，本文提出了一种轻量级的混合本地信道注意(MLCA)模块来提高目标检测网络的性能，该模块可以同时包含信道信息和空间信息，以及局部信息和全局信息，以提高网络的表达效果。
YOLOv9改进策略 | 添加注意力篇 | 高效的注意力改进策略EMAttention注意力机制（附多个可添加位置）
Snu77的博客
05-07 1700
本文给大家带来的改进机制是EMAttention注意力机制，它的重塑部分通道到批次维度，并将通道维度分组为多个子特征，以保留每个通道的信息并减少计算开销。EMA模块通过编码全局信息来重新校准每个并行分支中的通道权重，并通过跨维度交互来捕获像素级别的关系。本文首先给大家提供效果图(由基础版本未作任何修改和修改了本文的改进机制的效果对比图)，然后介绍其主要的原理，最后手把手教大家如何添加该注意力机制。YOLOv9有效涨点专栏-持续复现各种顶会内容-有效涨点-全网改进最全的专栏目录一、本文介绍。
YOLOv9有效改进|CVPR2023即插即用的到残差注意力机制（轻量化注意力机制）Inverted Residual Mobile Block
深度学习炼丹师，偶尔分享炼丹技术!
03-21 2363
在YOLOv9中加入CVPR2023即插即用的到残差注意力机制。结合了倒置残差块（IRB）和Transformer的动态模型能力，从而扩展了CNN的IRB到基于注意力的模型。iRMB的设计目标是在保持模型轻量级的同时，实现对计算资源的有效利用和高准确率。一种轻量化模块，适合移动端部署。Inverted Residual Mobile Block仅由标准卷积和 MHSA 组成，没有其他复杂的操作符。
YOLOv9改进入门篇 | 手把手讲解改进模块如何实现高效涨点，以SimAM注意力模块为例
Limiiiing的博客
08-23 2004
本文记录的是基于SimAM注意力模块的YOLOv9目标检测方法研究。SimAM注意力模块通过优化能量函数来获得每个神经元的三维权重，而或增加计算复杂度。若是有轻量化需求的小伙伴，无参的注意力模块也许是一个不错的选择。
yolov8轻量化+注意力机制
03-18
### YOLOv8轻量化模型与注意力机制实现方法 #### 背景介绍 YOLOv8 是一种高效的实时目标检测算法，在实际应用中，为了满足资源受限设备的需求，通常需要对其进行轻量化处理。通过引入轻量化的网络结构和优化的注意力机制，可以在减少计算开销的同时保持较高的检测精度。 --- #### 方法一：采用轻量化的主干网络结构 YOLOv8 的主干网络可以通过替换为更轻量化的架构来降低计算复杂度。常见的轻量化网络包括 **MobileNetV3** 和 **GhostNet** 等[^1]。这些网络设计了更加紧凑的卷积层和激活函数，能够在显著减少参数数量的情况下维持较好的特征提取能力。 例如，将 MobileNetV3 结合轻量级的 Mixed Local Channel Attention (MLCA) 模块，能够有效提升模型效率并改善性能[^3]。 --- #### 方法二：改进特征融合策略 传统的特征金字塔网络（FPN）可能无法充分利用多尺度特征之间的关联性。因此，可以尝试改进特征融合策略，比如引入双向特征金字塔网络（BiFPN），或者增强路径聚合网络（PANet）。这种改进有助于更好地捕捉不同层次的信息，从而提高检测效果。 --- #### 方法三：集成注意力机制 注意力机制可以帮助模型聚焦于更重要的区域或通道，进而提升检测准确性。以下是两种常用的注意力机制及其在 YOLOv8 中的应用方式： ##### 1. SAttention 轻量化检测头 HyCTAS 提出了基于 SAttention 的轻量化检测头，该模块通过对空间维度上的重要性进行建模，减少了冗余计算。具体来说，SAttention 可以作为附加组件嵌入到现有的检测框架中，无需大幅修改原有结构即可获得性能增益。 ##### 2. MLCAttention 集成 另一种可行方案是添加轻量化的混合局部通道注意力建议（Mixed Local Channel Attention, MLCA）。此操作涉及对 `ultralytics/nn/modules/__init__.py` 文件的扩展，向其中导入自定义的 MLCA 类，并将其注册至全局可用模块列表中[^4]。 代码示例如下所示： ```python # 修改 ultralytics/nn/modules/__init__.py from .mlca import MLCA # 假设已创建 mlca.py 定义了 MLCA 类 __all__ += ['MLCA'] ``` 随后，在构建模型时指定启用 MLCA 层的位置即可完成配置。 --- #### 方法四：剪枝与知识蒸馏 对于已经训练完毕的大规模 YOLOv8 模型，可通过以下手段进一步压缩其体积而不损失太多表现力： - **通道剪枝**: 对不必要的神经元实施裁减动作，仅保留贡献最大的部分权重节点[^2]； - **知识蒸馏**: 利用预训练教师模型指导学生版本学习相似分布规律下的预测行为模式； 上述过程均需调整超参设置并与特定应用场景相结合才能取得最佳成果。 --- #### 总结 综上所述，针对 YOLOv8 进行轻量化改造可以从多个角度入手——选用高效骨干网路、改良数据流传递逻辑、融入先进关注单元以及运用各类后端精简技巧等等。每种途径都有各自的优势所在，开发者应依据项目需求灵活选取组合最优解法。 ---
评论 13
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

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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