YOLOv10改进 | 添加注意力机制 | 添加DAttention (DAT)注意力机制实现极限涨点

一、本文介绍

本文给大家带来的是YOLOv10改进DAT(Vision Transformer with Deformable Attention)的教程，其发布于2022年CVPR2022上同时被评选为Best Paper，由此可以证明其是一种十分有效的改进机制，其主要的核心思想是：引入可变形注意力机制和动态采样点(听着是不是和可变形动态卷积DCN挺相似)。同时在网络结构中引入一个DAT计算量由8.9GFLOPs涨到了9.4GFLOPs。本文的讲解主要包含三方面：DAT的网络结构思想、DAttention的代码复现，如何添加DAttention到你的结构中实现涨点，下面先来分享我测试的对比图(因为资源有限，我只用了100张图片的数据集进行了100个epoch的训练，虽然这个实验不能产生确定性的结论，但是可以作为一个参考)。

 专栏回顾：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、DAT的网络结构思想

2.1 DAT的主要思想和改进

2.2 DAT的网络结构图 

2.3 DAT和其他机制的对比

三、DAT即插即用的代码块

四、添加DAT到你的网络中

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、DAT的yaml文件和运行记录

5.1 DAT的yaml文件1

5.2 训练代码