yolov5加入CBAM注意力的代码

### 如何在 YOLOv5 中添加 CBAM 注意力机制 为了实现这一目标，可以遵循特定的修改路径来确保模型能够有效地利用CBAM注意力机制。 #### 修改配置文件 首先，在YOLOv5中的`models/yolov5s.yaml`或其他相应版本的yaml配置文件里定义新的层。当遇到条件判断语句 `elif m is CBAM:` 时，则表明程序会针对此情况执行特殊处理逻辑[^2]。此时应设置输入通道数`c1`等于前一层特征图的数量，而输出通道数`c2`依据给定参数设定；如果存在特殊情况（即`no`），则需调整`c2`以适应网络宽度因子`gw`并保持其能被8整除。 ```python if isinstance(m, models.common.CBAM): c1, c2 = ch[f], args[0] if c2 != no: c2 = make_divisible(c2 * gw, 8) args = [c1, c2] ``` 这段代码展示了如何动态计算和分配CBAM模块所需的输入输出维度大小，并将其作为参数传递下去用于后续操作。 #### 定义CBAM类 接着要创建一个继承自PyTorch nn.Module基类的新Python类——CBAM.py，该类实现了空间域(Spatial Domain)与信道域(Channel Domain)上的双重注意力建模功能[^1]： ```python import torch from torch import nn class ChannelAttention(nn.Module): def __init__(self, in_planes, ratio=16): 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, planes, ratio=16, kernel_size=7): super(CBAM, self).__init__() self.ca = ChannelAttention(planes, ratio) self.sa = SpatialAttention(kernel_size) def forward(self, x): x = self.ca(x) * x # 广播机制自动匹配尺寸 x = self.sa(x) * x # 同上 return x ``` 上述代码片段分别构建了两个子组件：Channel Attention Module 和Spatial Attention Module ，并通过组合它们形成了完整的CBAM结构。通过这种方式可以在不改变原有框架的基础上轻松引入先进的注意力机制到YOLOv5当中去。 #### 更新训练脚本 最后一步是在主训练循环之前导入新建立好的CBAM模块，并按照需求替换掉原有的基础卷积层或者叠加在其之上形成更强大的感知单元。这通常涉及到编辑train.py等相关源码部分，具体取决于个人项目架构设计的不同之处。 完成以上步骤之后就可以成功地把CBAM注意力机制融入到了YOLOv5的目标检测算法之中，从而进一步提升模型性能表现。

### 如何在 YOLOv11 中添加 CBAM 注意力机制 #### 添加 CBAM 到 YOLOv11 的实现方法 为了在 YOLOv11 中集成 CBAM (Convolutional Block Attention Module)，可以遵循类似的模块化扩展方式。具体操作如下： #### 修改 `__init__.py` 文件 确保在项目的初始化文件中导入并注册新的模块，在 `__all__` 变量中加入 "CBAM" 并保持逗号分隔[^1]。 ```python from .modules.CBAM import CBAM __all__ = ( ..., "CBAM", ) ``` #### 导入 CBAM 模块到任务定义文件 编辑位于 `ultralytics/nn/tasks.py` 的代码，增加对 CBAM 类的引入语句。 ```python from ultralytics.nn.modules.CBAM import CBAM # 新增这一行来加载 CBAM 模块 ``` #### 处理模型配置中的 CBAM 层参数设置 当检测到层为 CBAM 时，调整通道数和其他必要参数以适应网络结构变化[^2]。 ```python elif isinstance(m, CBAM): c1, c2 = ch[f], args[0] if c2 != no: c2 = make_divisible(c2 * gw, 8) args = [c1, c2] ``` 通过上述修改，可以在 YOLOv11 架构内成功嵌入 CBAM 注意力机制，从而增强特征表达能力，提升目标检测性能。