yolov5-7.0添加SimAM注意力机制 - CSDN文库

### 如何在YOLOv5 7.0版本中添加SimAM注意力机制 #### 创建SimAM Python脚本为了实现SimAM注意力机制，在`models`目录下创建一个新的Python文件命名为`SimAM.py`。此操作遵循了魔傀面具老师所建议的方式[^3]。 ```python import torch.nn as nn import torch class SimAM(nn.Module): def __init__(self, channels=None, e_lambda=1e-4): super(SimAM, self).__init__() self.activaton = nn.Sigmoid() self.e_lambda = e_lambda def forward(self, x): b, c, h, w = x.size() n = w * h - 1 x_minus_mu_square = (x - x.mean(dim=[2, 3], keepdim=True)).pow(2) y = x_minus_mu_square / (4 * (x_minus_mu_square.sum(dim=[2, 3], keepdim=True) / n + self.e_lambda)) + 0.5 return x * self.activaton(y) ``` #### 修改C3模块引入SimAM层接下来修改YOLOv5中的核心组件之一——C3模块，以便能够集成SimAM注意力机制。具体来说是在`models/yolo.py`里的`C3`类定义内部增加对新导入的SimAM层的支持[^1]。找到并编辑`yolo.py`内的`C3`部分如下： ```python from .common import Conv, Bottleneck, SPP, DWConv, Focus, BottleneckCSP, C3, ShuffleV2Block, SimAM # 导入SimAM ... def forward(self, x): ... if hasattr(self, 'simam'): x = self.simam(x) return x ``` 同时调整`__init__()`函数来允许实例化过程中传递参数决定是否启用SimAM以及其配置选项: ```python ... self.conv1 = Conv(c_, c_, k=k, s=s, p=p, g=g, act=act) if simam: self.simam = SimAM(channels=c_) else: self.simam = None ... ``` 通过上述更改，当构建模型架构时可以指定是否应用SimAM于特定层次之上。 #### 更新配置文件支持新的结构变化最后一步是对训练/推理使用的`.yaml`配置文档作出相应改动以反映这些新增特性。确保所有涉及网络设计的地方都考虑到了SimAM的存在及其影响因素。

阅读全文

相关推荐

CSDN会员

开通CSDN年卡参与万元壕礼抽奖

海量 VIP免费资源千本正版电子书商城会员专享价千门课程&专栏

全年可省5,000元立即开通