qq_41304809的博客

首先，打开Anaconda Prompt命令窗口，创建一个新的虚拟环境，后面的包都在这个环境中安装。创建命令是：我的习惯是使用3.8版本的python，你也可以换成更高版本；gpu版本的安装命令：想要安装其他版本可以去pytorch官网自己找。安装完成后可以通过conda list查看环境中是否安装完成。安装完成后，即可激活虚拟环境，输入以下命令即可；到这里，yolo系列算法的环境配置算是完成了！可以复制下面的代码来验证一下是否可以运行。输入命令后，运行结果如下：输入y即可；安装ultralytics包；

BiFormer（Bilinear Attention Transformer）主干网络是一种创新的神经网络架构，主要用于计算机视觉任务，如目标检测、图像分类等。它融合了 Transformer 架构的自注意力机制优势和一些针对视觉任务的高效设计，以提高模型在视觉数据处理上的性能。Biformer提出了一种通过双层路由的新型动态稀疏注意力，以实现具有内容感知的计算的更灵活的分配。

只需更换数据集路径以及yaml文件路径即可！这样就算运行成功了！

SimAM:ASimple,Parameter-Free Attention Module for Convolutional Neural Networks 注意力机制的详细信息SimAM（Similarity - Aware Activation Module）注意力机制是一种新颖的注意力机制。它受到神经科学中空域抑制现象的启发，通过度量神经元之间的线性可分性来确定其重要性。

注意力机制的详细信息“SA-Net: Shuffle Attention for Deep Convolutional Neural Networks” 提出了一种创新的注意力机制。它旨在高效地结合空间和通道注意力，以提升深度卷积神经网络的性能。该机制首先对输入特征进行分组，然后针对每个分组的子特征分别构建通道注意力分支和空间注意力分支。通道注意力分支通过平均池化和卷积等操作学习通道重要性权重，空间注意力分支利用组归一化和卷积等获取空间位置重要性信息。

注意力机制的详细信息“Global Attention Mechanism: Retain Information to Enhance Channel-Spatial Interactions” 提出了一种全局注意力机制，旨在通过保留信息来增强通道和空间之间的交互。该机制可能采用了独特的方法来处理输入特征，例如通过特定的线性变换和卷积操作分别对通道和空间维度进行注意力计算。在通道注意力部分，可能运用了线性层和激活函数来学习通道之间的重要性权重，以突出或抑制不同的通道信息。

CBAM（Convolutional Block Attention Module）注意力机制的详细信息CBAM 按照顺序依次推断出通道和空间两个维度的注意力权重，然后与原特征图相乘来对特征进行自适应调整。具体过程为，先将输入特征图输入到通道注意力模块，得到通道注意力权重后与原特征图相乘，对特征图的通道维度进行重新标定，突出重要的通道信息；然后将经过通道注意力调整后的特征图输入到空间注意力模块，得到空间注意力权重后再与之前的特征图相乘，对特征图的空间维度进行重新标定，突出重要的空间区域。