YOLOv5-6.1添加注意力机制（SE、CBAM、ECA、CA）消融实验结果对比

最新推荐文章于 2025-03-14 17:24:56 发布
最新推荐文章于 2025-03-14 17:24:56 发布
阅读量6.2k 收藏 55
点赞数 4
分类专栏： 深度学习 文章标签： 深度学习 神经网络 人工智能
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/zhouzongzong/article/details/125251358
版权
本文介绍了在YOLOv5中添加不同注意力机制（SE、CBAM、ECA、CA）的消融实验，通过对比分析了这些机制对模型性能的影响，包括单独应用和结合C3模块的效果。实验结果显示了各机制在YOLOv5框架下的表现差异。

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

代码参考：https://blog.youkuaiyun.com/weixin_50008473/article/details/124590939
在这里插入图片描述
YOLOv5 正常训练四次结果：后面加的注意力机制可以作为对比
在这里插入图片描述

1.1 SE
在这里插入图片描述
在这里插入图片描述
1.2 C3-SE
在这里插入图片描述

了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOv5 深度学习不同状态下的消融实验
zhouzongzong的博客
07-09 4098
YOLOv5 深度学习不同状态下的消融实验
【深度学习的骨架与脉搏】注意力机制（三）（不同注意力机制对比）
十二月的猫
04-24 5613
1、注意力机制是一个方法群体的总称（父类）2、自注意力、交叉注意力机制都是对注意力机制的继承，对QKV来源进行了限制3、注意力机制本身对QKV的限制仅仅在操作方法上4、自注意力机制主要用于单一序列的内部分析；交叉注意力机制用于多模态学习（多序列分析）
论文写作篇#5：想发C会，YOLO的消融实验Ablation Experiment/Study怎么写？
最新发布
hjs314159的博客
03-14 2406
本文讨论了消融实验在深度学习中的重要性，强调了通过逐步移除或修改模型组件来评估其对整体性能的贡献。文章指出，消融实验需要精心设计，包括选择合适的评估指标（如模型复杂度、准确度和实时性），并确保每个模块的加入能带来性能的提升。对于会议论文，建议通过逐步累加模块的方式进行实验，并简要阐述每个改进的效果，而不必详细列出每个数据变化。此外，消融实验可以与对比实验结合，以节省篇幅。 
【深度学习实验】注意力机制（四）：点积注意力与缩放点积注意力之比较
天地玄黄 魑魅魍魉 风花雪月 商角徵羽
11-21 1521
本文介绍了注意力机制中的点积注意力与缩放点积注意力模型之比较
yolov5改进之加入CBAM,SE,ECA,CA,SimAM,ShuffleAttention,Criss-CrossAttention,CrissCrossAttention多种注意力机制
Wansit的博客
01-28 1万+
yolov5改进之加入CBAM等多种注意力机制
YOLOv5训练损失、精度、mAP绘图功能 | 支持多模型对比，多结果绘在一个图片（消融实验、科研必备
南栀北辰SDN的博客
03-22 3450
本文给大家带来的是YOLOv5系列的绘图功能，我将向大家介绍YOLO系列的绘图功能。我们在进行实验时，经常需要比较多个结果，针对这一问题，我写了点代码来解决这个问题，它可以根据训练结果绘制损失(loss)和mAP（平均精度均值）的对比图。这个工具不仅支持多个文件的对比分析，还允许大家在现有代码的基础上进行修，从而达到数据可视化的功能，大家也可以将对比图来放在论文中进行对比也是非常不错的选择。先展示一下效果图->YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新​损失对比图片->​目录。
yolov5-6.0/6.1加入SE、CBAM、CA注意力机制（理论及代码）
zqt321的博客
03-21 2万+
yolov5-6.0/6.1加入SE、CBAM、CA注意力机制（理论及代码）
YOLOv5-6.1添加注意力机制（SE、CBAM、ECA、CA）
热门推荐
weixin_50008473的博客
05-06 4万+
0. 添加方法 主要步骤： （1）在models/common.py中注册注意力模块 （2）在models/yolo.py中的parse_model函数中添加注意力模块 （3）修改配置文件yolov5s.yaml （4）运行yolo.py进行验证 各个注意力机制模块的添加方法类似，各注意力模块的修改参照SE。 完整代码链接： 1. SE （1）在models/common.py中注册SE模块 class SE(nn.Module): def __init__(self, c1, c2, ratio=
yolov5-6.1-CBAM.zip
04-26
1、官方源项目地址 ：https://github.com/ultralytics/yolov5 2、在yolov5-6.1中添加了CBAM注意力机制。 3、训练、测试、预测命令与官方版本一致。
YOLOv5改进系列（一）添加注意力机制SE、CBAM、ECA、CA
m0_55908255的博客
02-13 1468
在没有降维的通道全局平均池化之后，ECA使用1D卷积来实现跨通道信息交互，而卷积核的大小 k 则通过函数来自适应计算，k 也可以理解为局部跨通道交互的覆盖范围，即有多少邻居参与了一个通道的注意力预测。激活函数形成空间注意力权重[batch_size，1，H，W]，和原来的输入[batch_size，channel，H，W]作哈达玛积。最后，将原始特征图的每个通道与对应的权重相乘，从而得到增强后的特征图。在这一阶段，网络从特征图中提取出每个通道的全局信息，得到一个描述每个通道重要性的特征向量。
融合CBAM通道注意力机制的YOLOv5-v6.1版本源码
12-07
YOLOv5是一种基于深度学习的目标检测框架，其最新版本v6.1引入了CBAM（Channel and Spatial Attention Module）通道注意力机制，旨在提升模型的性能和效率。CBAM是深度学习领域中一种广泛使用的注意力机制，它通过...
基于YOLOv5改进实现消融实验使其更轻、更快、更容易部署（源码+说明文档）.rar
04-15
1、资源内容：基于YOLOv5改进实现消融实验使其更轻、更快、更容易部署（源码+说明文档）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、更多仿真源码和数据集下载列表（自行寻找自己需要的）：https://blog.csdn.net/m0_62143653?type=download 4、免责声明：本资源作为“参考资料”而不是“定制需求”不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。
注意力机制SE、CBAM、ECA、CA的优缺点
weixin_44902604的博客
03-29 2万+
注意力机制模块可以帮助神经网络更好地处理序列数据和图像数据，从而提高模型的性能和精度。
YOLOv5/v7 添加注意力机制，30多种模块分析④，CA模块，ECA模块
学Java，找哪吒
06-14 4824
CA（Coordinate Attention）模块是一种基于位置坐标的注意力机制，它可以在不同空间尺度上对特征图进行自适应的调整。
SE、CBAM、CA注意力机制
KIKI3666的博客
09-03 2257
空间注意力可使神经网络更加关注图像中对分类起决定作用的像素区域而忽略无关紧要的区域，通道注意力则用于处理特征图通道的分配关系，同时对两个维度进行注意力分配增强了注意力机制对模型性能的提升效果。（1）Squeeze：通过全局平均池化（nn.AdaptiveAvgPool2d(1)），将每个通道的二维特征（H*W）压缩为1个实数，将特征图从 [h, w, c] ==> [1,1,c]，得到channel级的全局特征。对于一张图片，不同的 channel 的权重一般都是不一样的。
SEnet、CBAM、ECA注意力三大机制
weixin_45902056的博客
04-09 8073
# 下面是通道注意力机制即SEnet的代码，个人理解SEnet是在对每个channel进行加权操作，看那个channel重要，就给他权重大一点。 # 每个channel由于每个特征向量不一样因此提取的特征也就不一样即通道注意力机制注重的是特征的重要性（图片的点、线、明暗） # 因此通道注意力机制是对每个通道的长宽进行卷积，一开始对通道不进行改变 import torch import torch.nn as nn import math class se_block(nn.Module): de.
YOLOv5添加注意力机制
weixin_46297839的博客
05-04 2589
添加注意力机制代码 首先在common.py文件中添加所需要的注意力机制代码（这里网上很多博客中都有提到，就傻瓜式复制粘贴就好了） SE class SE(nn.Module): def __init__(self, c1, c2, ratio=16): super(SE, self).__init__() #c*1*1 self.avgpool = nn.AdaptiveAvgPool2d(1) self.l1 = nn.Linea
SE、CBAM、ECA 、CA注意力机制
m0_50127633的博客
10-04 8931
之后对平均池化和最大池化的结果，利用共享的全连接层进行处理，我们会对处理后的两个结果进行相加，然后取一个sigmoid，此时我们获得了输入特征层每一个通道的权值（0-1之间）。假设输入进来的特征层的形状为[C, H, W]，在经过宽方向的平均池化后，获得的特征层shape为[C, H, 1]，此时我们将特征映射到了高维度上；用更专业的名词就是跨通道交互的覆盖率。SE注意力机制只考虑了通道维度上的注意力，无法捕捉空间维度上的注意力，适用于通道数较多的场景，但对于通道数较少的情况可能不如其他注意力机制。
什么是消融实验（Ablation experiment） 深度学习 YOLOv5
“365天深度学习训练营”报名进行中～
12-23 6840
有一点像控制变量的感觉。 因为作者提出了一种方案，同时改变了多个条件/参数，他在接下去的消融实验中，会一一控制一个条件/参数不变，来看看结果，到底是哪个条件/参数对结果的影响更大。 ...
yolov5消融实验数据
01-17
### YOLOv5消融研究数据分析 #### 数据集与实验设计 为了评估YOLOv5的不同组件及其性能影响，通常会采用多种数据集进行广泛的消融实验。这些实验旨在验证特定改进措施的有效性以及它们对于最终检测效果的影响程度。例如，在不同的超参数设定下对比模型表现能够揭示哪些因素最为关键。 #### 实验结果分析 当比较YOLOv5与其他版本时发现该模型在某些配置条件下展示了更高的准确性[^2]。具体而言： - **特征提取能力增强**：通过引入更加高效的骨干网络结构或调整现有架构中的层深、宽度等参数来提升对物体特征的学习效率； - **多尺度预测机制优化**：通过对输入图像尺寸变化范围内的适应性和敏感性的改善使得模型可以在不同分辨率之间取得平衡； - **预训练策略的作用**：基于大规模通用视觉库（如ImageNet）上的高质量初始权重赋予了新构建的目标识别器更强健的基础特性描述力，从而有助于提高其泛化能力和稳定性。 此外值得注意的是，尽管一些局部调整可能会带来意想不到的结果——比如改变锚框(anchor)大小可能导致精度降低而召回率增加的情况发生[^4]，但这并不意味着整体性能变差，而是反映了模型对外界条件响应特性的复杂性。 ```python import matplotlib.pyplot as plt # 假设这是从某个消融实验得到的数据 data = { 'Original': {'precision': 0.8, 'recall': 0.7}, 'Modified Backbone': {'precision': 0.85, 'recall': 0.69}, 'Multi-Scale Training': {'precision': 0.83, 'recall': 0.72}, } fig, ax = plt.subplots() ax.bar(data.keys(), [d['precision'] for d in data.values()], label='Precision') ax.bar(data.keys(), [d['recall'] for d in data.values()], bottom=[d['precision'] for d in data.values()], label='Recall') plt.legend(loc="upper right") plt.title('Ablation Study Results on Different Configurations of YOLOv5') plt.show() ``` 此代码片段用于绘制柱状图展示不同配置下的YOLOv5模型的精确度(Precision)和召回率(Recall)，直观地反映出各项改进所带来的实际效益差异。
评论 3
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

胖子工作室

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