yolov11n.pt增加CBAM

### 集成 CBAM 到 YOLOv11n 模型 为了在YOLOv11n模型中集成CBAM注意力机制，需理解CBAM的工作流程及其组件。CBAM通过依次处理通道和空间维度上的特征图来增强CNN的表示能力[^2]。 #### 实现步骤概述 定义CBAM模块涉及创建两个子模块——通道注意力模块（Channel Attention Module, CAM）和空间注意力模块（Spatial Attention Module, SAM）。CAM负责计算不同通道的重要性权重；SAM则专注于识别图像的空间区域重要性。这两个模块按顺序应用于输入特征图，并最终将加权后的特征图返回给后续层继续处理。 对于YOLOv11n这样的目标检测框架来说，可以在骨干网络的不同阶段插入CBAM模块，以便更好地捕捉局部细节以及全局上下文信息。具体实现方式如下： #### Python代码示例 ```python import torch.nn as nn class ChannelAttention(nn.Module): def __init__(self, in_planes, ratio=8): super(ChannelAttention, self).__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.max_pool = nn.AdaptiveMaxPool2d(1) self.fc1 = nn.Conv2d(in_planes, in_planes // ratio, 1, bias=False) self.relu1 = nn.ReLU() self.fc2 = nn.Conv2d(in_planes // ratio, in_planes, 1, bias=False) self.sigmoid = nn.Sigmoid() def forward(self, x): avg_out = self.fc2(self.relu1(self.fc1(self.avg_pool(x)))) max_out = self.fc2(self.relu1(self.fc1(self.max_pool(x)))) out = avg_out + max_out return self.sigmoid(out) class SpatialAttention(nn.Module): def __init__(self, kernel_size=7): super(SpatialAttention, self).__init__() assert kernel_size in (3, 7), 'kernel size must be 3 or 7' padding = 3 if kernel_size == 7 else 1 self.conv1 = nn.Conv2d(2, 1, kernel_size, padding=padding, bias=False) self.sigmoid = nn.Sigmoid() def forward(self, x): avg_out = torch.mean(x, dim=1, keepdim=True) max_out, _ = torch.max(x, dim=1, keepdim=True) x = torch.cat([avg_out, max_out], dim=1) x = self.conv1(x) return self.sigmoid(x) class CBAM(nn.Module): def __init__(self, gate_channels, reduction_ratio=16, pool_types=['avg', 'max'], no_spatial=False): super(CBAM, self).__init__() self.ChannelGate = ChannelAttention(gate_channels, reduction_ratio) self.no_spatial=no_spatial if not no_spatial: self.SpatialGate = SpatialAttention() def forward(self, x): x_out = self.ChannelGate(x) if not self.no_spatial: x_out = x * x_out.expand_as(x) x_out = self.SpatialGate(x_out) return x * x_out def add_cbam_to_yolov11n(model, cbam_position='backbone'): """ 将CBAM添加至指定位置 参数: model: 原始YOLOv11n模型实例. cbam_position: 插入CBAM的位置，默认是在'backbone'. 返回值: 修改后的model对象. """ # 获取当前模型配置 modules_list = list(model.children()) new_modules = [] for module in modules_list: if isinstance(module, nn.Sequential): seq_layers = list(module.children()) inserted = False for i, layer in enumerate(seq_layers[:-1]): if type(layer).__name__ == "Conv2d": ch_in = layer.out_channels # 在特定条件下插入CBAM if cbam_position=='backbone': cbam_layer = CBAM(ch_in).cuda() modified_seq = nn.Sequential(*seq_layers[:i+1], cbam_layer, *seq_layers[i+1:]) new_modules.append(modified_seq) inserted = True break if not inserted: new_modules.extend(seq_layers) elif hasattr(module,'children') and len(list(module.children()))>0 : sub_module = add_cbam_to_yolov11n(module,cbam_position) new_modules.append(sub_module) else: new_modules.append(module) updated_model = nn.Sequential(*new_modules) return updated_model ``` 此段代码展示了如何构建CBAM类，并将其嵌入到现有的YOLOv11n架构之中。`add_cbam_to_yolov11n()`函数允许灵活选择在哪一部分加入CBAM，比如可以选择只影响主干网路(`backbone`)或者更广泛的范围。