改进YOLOv7 | 在 ELAN 模块和 ELAN-H 模块中添加【EffectiveSE】【GlobalContext】【GatherExcite】【MHSA】注意力机制 | 附详细结构图

已于 2024-02-07 15:59:34 修改
阅读量1.1k 收藏
点赞数 5
CC 4.0 BY-SA版权
分类专栏： YOLOv5/v7进阶实战 YOLOv5/v7改进实战 文章标签： YOLO 人工智能 计算机视觉 深度学习 迪菲赫尔曼
于 2023-09-26 21:36:14 首次发布
原创文章为博主个人所有，未经授权不得转载、摘编、传播、倒卖、洗稿或利用其它方式使用上述作品。违反上述声明者，本站将追求其相关法律责任。
本文链接：https://blog.csdn.net/weixin_43694096/article/details/133321607
本文介绍了如何在YOLOv7的ELAN和ELAN-H模块中集成EffectiveSE、GlobalContext、GatherExcite和MHSA注意力机制，详细阐述了各个模块的原理和代码实现，并提供了结构图和添加方法。

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

在阅读本篇博文前，请大家先阅读 YOLOv7 yaml 文件简化 这篇文章，
本篇博文改进都是基于这篇博文进一步增加的

文章目录

1. EffectiveSE 注意力模块

论文名称：

论文地址：https://arxiv.org/pdf/1911.06667.pdf

代码地址：https://github.com/youngwanLEE/CenterMask

1.1 原理

我们提出了一种简单而高效的无锚点实例分割方法，称为CenterMaskÿ

了解本专栏 订阅专栏 解锁全文
即插即用篇 | 在 C2F 模块中添加【EffectiveSE】【GlobalContext】【GatherExcite】【MHSA】注意力机制 | 附详细结构图
YOLOv8项目贡献者
05-14 5071
在 C2F 模块中添加【EffectiveSE】【GlobalContext】【GatherExcite】【MHSA】注意力机制 | 附详细结构图
改进YOLOv5 | 在 C3 模块中添加【EffectiveSE】【GlobalContext】【GatherExcite】【MHSA】注意力机制 | 附详细结构图
YOLOv8项目贡献者
05-17 3363
在 C3 模块中添加【EffectiveSE】【GlobalContext】【GatherExcite】【MHSA】注意力机制 | 附详细结构图
YOLOv8添加注意力机制方法【MHSA、ShuffleAttention、SiAM】
菜菜史迪仔的博客
03-15 2318
YOLOv8添加注意力机制方法【MHSA、ShuffleAttention、SiAM】
YOLOv8/YOLOv7/YOLOv5/YOLOv4/Faster-rcnn系列算法改进【NO.67】添加注意力机制MHSA
m0_70388905的博客
04-19 2345
添加注意力机制MHSA
涨点技巧：注意力机制---Yolov5/Yolov7引入BoTNet Transformer、MHSA
03-17 6181
BoTNet同时使用卷积和自注意力机制，即在ResNet的最后3个bottleneck blocks中使用全局多头自注意力（MHSA）替换3 × 3空间卷积;MHSA作为注意力机制加入yolov5/yolov7也取得了涨点
改进YOLOv7 | 在 ELAN 模块和 ELAN-H 模块中添加 【CA】【ECA】【CBAM】【SE】注意力机制 | 附详细结构图
YOLOv8项目贡献者
07-14 3066
改进YOLOv7 | 在 ELAN 模块和 ELAN-H 模块中添加 【CA】【ECA】【CBAM】【SE】注意力机制 | 附详细结构图
改进YOLOv7 | 在 ELAN 模块和 ELAN-H 模块中添加 【SimAM】 【CoTAttention】【SKAttention】【DoubleAtt】注意力机制 | 附详细结构图
YOLOv8项目贡献者
07-15 2951
在 ELAN 模块和 ELAN-H 模块中添加 【SimAM】 【CoTAttention】【SKAttention】【DoubleAtt】注意力机制教程
transformer系列学习笔记
qq_42075634的博客
04-04 6741
transformer 详解 详解 VIT 官方源码 详解 Linear Projection of Flattened Patches(Embedding层) Transformer Encoder MLP Head（最终用于分类的层结构） Hybrid 详解 传统CNN特征提取和Transformer进行结合 Swin Transformer（Swin-T） 官方源码 详解 ...
超越传统：ELAN 和 ELAN-H 模块的注意力机制升级
一直在水些技术小文
11-09 1231
在本文中，我们深入探讨了 ELAN 和 ELAN-H 模块，以及如何为这两个模块添加【SimAM】【CoTAttention】【SKAttention】【DoubleAtt】注意力机制。这些注意力机制可以帮助模型更好地捕捉全局信息和局部信息，从而提高模型的性能。通过示例代码，我们展示了如何在 ELAN 和 ELAN-H 模块中实现这些注意力机制。这将有助于研究人员和开发人员更好地理解这些模块，并在实际应用中使用它们，以提高深度学习模型的性能。
YoloV8改进策略：Loss改进|GWD Loss|基于高斯瓦瑟斯坦距离损失函数重新思考旋转目标检测
m0_47867638的博客
06-21 489
论文精辟地总结了旋转目标检测面临的三大挑战：📏 指标与损失不一致性🌀 边界不连续性⬜ 类矩形问题https://arxiv.org/pdf/2101.11952 边界不连续性及其与最终检测指标的不一致性，一直是旋转检测回归损失设计的瓶颈。在本文中，我们提出了一种基于高斯 Wasserstein 距离的新型回归损失，作为解决该问题的基本方法。具体而言，将旋转边界框转换为二维高斯分布，这样就能够利用可通过梯度反向传播高效学习的高斯 Wasserstein 距离（GWD）来近似不可微分的旋转交并比（IoU）诱
多个yolo模型对比融合创新CBAM注意力集成GhostNet实验停车位线识别检测
06-25 628
因此我们将车位角点、车位线和车位占用情况等多种特征相结合，并将车位线抽象为角点间的线段，以避免车位线形态的影响，从而在复杂环境下实现高准确性且支持多目标检测的车位线识别。同时，基于轻量化设计原则，我们对深度学习模型的网络结构进行优化，引入Convolutional Block Attention Module（CBAM）注意力机制模块，优化损失函数，提高车位识别精度，引入GhostNet通过生成更为紧凑的‘幽灵特征’（Ghost Features），减少冗余计算，减少模型的算力消耗。源码获取点击末尾名片。
一[3.0]、 yolov8 工作原理
努力努力努力
06-23 26
YOLO 模型彻底改变了。识别物体是计算机视觉中的一项关键任务，可应用于、医学成像、监控系统和自动驾驶汽车等多个领域。YOLO 模型的最新版本 YOLOv8 是一种先进的实时物体检测框架，引起了研究界的关注。在所有流行的物体识别机器学习模型（如 Faster R-CNN、SSD 和 RetinaNet）中，YOLO 在准确性、速度和效率方面最受欢迎。作为尖端的、最先进的 (SOTA) 模型，YOLOv8 以之前版本的成功为基础，引入了新功能和改进，以提高性能、灵活性和效率。
（四）yolov5——Pyside6可视化界面
一位热爱编程的青年
06-24 330
本文介绍了使用PySide6和YOLOv5搭建目标检测GUI应用的完整流程。首先安装PySide6并配置Qt Designer工具，然后通过UI设计器创建主窗口界面。核心代码实现包括：初始化GUI组件、加载本地YOLOv5预训练模型、图片检测功能（支持JPG/PNG格式）、视频实时检测（MP4格式）。系统采用Qt信号槽机制进行交互控制，视频处理使用QTimer逐帧读取和预测，将OpenCV图像转换为Qt显示格式。最终实现了一个具备输入/输出双视图的检测系统，能实时显示原始画面和检测结果。
YOLOv12技术突破全解析：最新改进与前沿论文速览
Coovally_AI的博客
06-25 735
在多类检测中，RF-DETR以0.8298的 mAP@50 再次领先，表明其在区分遮挡和非遮挡水果方面的有效性，而YOLOv12L则以 0.6622 高居 mAP@50:95 指标榜首，表明其在详细遮挡条件下的分类能力更胜一筹。对模型训练动态的分析表明，RF-DETR 的收敛速度很快，尤其是在单类场景中，不到10个epoch就达到了平稳状态，这凸显了基于transformer-based的架构对动态视觉数据的效率和适应性。最后，通过简单的通道压缩和重建大核卷积（RLKC）消除模型冗余，实现模型轻量化。
YOLOv9 改进点详解
guoguozgw的博客
06-26 336
输出层级输出张量形状描述P3（80×80）小目标预测P4（40×40）中目标预测P5（20×20）大目标预测改进方向内容是否论文提出是否开源实现主干网络优化GLEncoder✅ 是✅ 是Neck 特征融合✅ 是✅ 是Head 输出结构解耦头设计（reg/obj/cls 分离）✅ 是✅ 是损失函数优化✅ 是✅ 是数据增强策略✅ 是✅ 是标签分配机制✅ 是（继承自 YOLOv8）✅ 是模型轻量化可重参数化模块✅ 是✅ 是推理优化。
rk3588 部署yolov8 记录
qq_51355375的博客
06-25 722
rk3588 部署yolov8 记录
羊群行为检测数据集VOC+YOLO格式6415张5类别
最新发布
FL1623863129的博客
06-26 79
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["climb","eat","fight","lie","stand"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注数量(xml文件个数)：6415。标注数量(txt文件个数)：6415。
【Datawhale组队学习202506】YOLO-Master task04 YOLO典型网络模块
raulyy7777的博客
06-24 862
Datawhale是一个专注于AI与数据科学的开源组织，汇集了众多领域院校和知名企业的优秀学习者，聚合了一群有开源精神和探索精神的团队成员本章学习资料拆解介绍一些YOLO中的典型网络模块。
yolov7ELAN模块和ELAN-W模块的区别
05-25
YOLOv7ELAN模块和ELAN-W模块都是目标检测领域的模型，但它们之间有一些区别。 YOLOv7ELAN模块是YOLOv7模型中引入的一种新的注意力机制，主要是为了解决在目标检测任务中，对于一些小目标或者遮挡目标的检测效果不佳的问题。该模块通过引入注意力机制，使得网络能够更加关注一些重要的特征，从而提升模型的检测性能。 而ELAN-W模块则是一种基于特征金字塔网络（FPN）的改进模块。通常情况下，FPN会将不同层次的特征信息进行融合，以提升模型在不同尺度的目标检测能力。但是，ELAN-W模块在此基础上进一步引入了自适应加权机制，使得网络能够更加关注一些重要的特征，从而进一步提升模型的检测性能。 总的来说，YOLOv7ELAN模块和ELAN-W模块都是为了提升目标检测模型的性能而设计的，但它们所采用的具体技术和思路略有不同。
评论 4
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

迪菲赫尔曼

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