YOLOv8改进 - 注意力篇 - 引入SK网络注意力机制

一、本文介绍

作为入门性篇章，这里介绍了SK网络注意力在YOLOv8中的使用。包含SK原理分析，SK的代码、SK的使用方法、以及添加以后的yaml文件及运行记录。

二、SK原理分析

SK官方论文地址：SK注意力文章

SK注意力机制:SK网络中的神经元可以捕获具有不同比例的目标对象，实验验证了神经元根据输入自适应地调整其感受野大小的能力。其SK模块的原理结构如下图所示。该方法由三个部分组成：Split,Fuse,Select。

Split就是一个multi-branch的操作，用不同的卷积核进行卷积得到不同的特征；

Fuse部分就是用SE的结构获取通道注意力的矩阵(N个卷积核就可以得到N个注意力矩阵，这步操作对所有的特征参数共享)，这样就可以得到不同kernel经过SE之后的特征；

Select操作就是将这几个特征进行相加。

相关代码：

SK注意力的代码，如下。

from torch.nn import init
from collections import OrderedDict

class SKAttention(nn.Module):

    def __init__(self, channel=512, kernels=[1, 3, 5, 7], reduction=16, group=1, L=32):
        super().__init__()
        self.d = max(L, channel // reduction)
        self.convs = nn.ModuleList([])
        for k in kernels:
            self.convs.append(
                nn.Sequential(OrderedDict([
                    ('conv', nn.Conv2d(channel, channel, kernel_size=k, padding=k // 2, groups=group)),
                    ('bn', nn.BatchNorm2d(channel)),
                    ('relu', nn.ReLU())
                ]))
            )
        self.fc = nn.Linear(channel, self.d)
        self.fcs = nn.ModuleList([])
        for i in range(len(kernels)):
            self.fcs.append(nn.Linear(self.d, channel))
        self.softmax = nn.Softmax(dim=0)

    def forward(self, x):
        bs, c, _, _ = x.size()
        conv_outs = []
        ### split
        for conv in self.convs:
            conv_outs.append(conv(x))
        feats = torch.stack(conv_outs, 0)  # k,bs,channel,h,w

        ### fuse
        U = sum(conv_outs)  # bs,c,h,w

        ### reduction channel
        S = U.mean(-1).mean(-1)  # bs,c
        Z = self.fc(S)  # bs,d

        ### calculate attention weight
        weights = []
        for fc in self.fcs:
            weight = fc(Z)
            weights.append(weight.view(bs, c, 1, 1))  # bs,channel
        attention_weughts = torch.stack(weights, 0)  # k,bs,channel,1,1
        attention_weughts = self.softmax(attention_weughts)  # k,bs,channel,1,1

        ### fuse
        V = (attention_weughts * feats).sum(0)
        return V

四、YOLOv8中SK使用方法

1.YOLOv8中添加SK模块，首先在ultralytics/nn/modules/conv.py最后添加SK模块的代码。

2.在conv.py的开头__all__ = 内添加SK模块的类别名(SK的类别名在本文中为SKAttention)

3.在同级文件夹下的__init__.py内添加SKAttention的相关内容：（分别是from .conv import SKAttention ；以及在__all__内添加SKAttention）

4.在ultralytics/nn/tasks.py进行SK注意力机制的注册，以及在YOLOv8的yaml配置文件中添加SK即可。

首先打开task.py文件，按住Ctrl+F，输入parse_model进行搜索。找到parse_model函数。在其最后一个else前面添加以下注册代码：(本文续接上篇文章，加在了CBAM、ECA的位置)

        elif m in {CBAM,ECA,SKAttention}:#添加注意力模块，没有CBAM、ECA的，将CBAM、ECA删除即可
            c1, c2 = ch[f], args[0]
            if c2 != nc:
                c2 = make_divisible(min(c2, max_channels) * width, 8)
            args = [c1, *args[1:]]

然后，就是新建一个名为YOLOv8_SK.yaml的配置文件：（路径:ultralytics/cfg/models/v8/YOLOv8_SK.yaml）

# Ultralytics YOLO 

标签：conv,nn,self,YOLOv8,SK,注意力,channel	

From： https://blog.csdn.net/2301_79619145/article/details/142579786