爆改YOLOv8|利用SENetV2改进yolov8,暴力涨点

1，本文介绍

本文探讨了将 SENetV2 的稠密聚合层与 SE 模块结合，应用于 YOLOv8，以提升特征表达能力和目标检测性能。SENetV2 通过 Squeeze-and-Excitation（SE）模块优化通道和全局特征，从而提高分类准确率。文章详细介绍了 SENetV2 的结构和核心代码，并阐述了如何将其集成到 YOLOv8 中以及进行配置。

关于SENetV2的详细介绍可以看论文：https://arxiv.org/pdf/2311.10807.pdf

本文将讲解如何将SENetV2融合进yolov8

话不多说，上代码！

2， 将SENetV2融合进yolov8

2.1 步骤一

找到如下的目录'ultralytics/nn/modules'，然后在这个目录下创建一个SENetV2.py文件，文件名字可以根据你自己的习惯起，然后将SENetV2的核心代码复制进去

import torch
import torch.nn as nn
from .conv import Conv
# 定义SE模块
class SELayer(nn.Module):
    def __init__(self, channel, reduction=16):
        super(SELayer, self).__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.fc = nn.Sequential(
            nn.Linear(channel, channel // reduction, bias=False),
            nn.ReLU(inplace=True),
            nn.Linear(channel // reduction, channel, bias=False),
            nn.Sigmoid()
        )
 
    def forward(self, x):
        b, c, _, _ = x.size()
        y = self.avg_pool(x).view(b, c)
        y = self.fc(y).view(b, c, 1, 1)
        return x * y.expand_as(x)
 
# 定义SaE模块
class SELayerV2(nn.Module):
    def __init__(self, in_channel, reduction=32):
        super(SELayerV2, self).__init__()
        assert in_channel>=reduction and in_channel%reduction==0,'invalid in_channel in SaElayer'
        self.reduction = reduction
        self.cardinality=4
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        #cardinality 1
        self.fc1 = nn.Sequential(
            nn.Linear(in_channel,in_channel//self.reduction, bias=False),
            nn.ReLU(inplace=True)
        )
        # cardinality 2
        self.fc2 = nn.Sequential(
            nn.Linear(in_channel, in_