YOLOv8改进 - 注意力篇 - 引入GAM注意力机制

#YOLO# #目标检测# #计算机视觉#

一、本文介绍

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

二、GAM原理分析

GAM官方论文地址：文章

GAM官方代码地址：

​

GAM注意力机制：GAM采用了顺序的通道-空间注意力机制(类似CBAM)，但对子模块进行了重新设计。

三、相关代码：

GAM注意力的代码，如下：

class GAM(nn.Module):
    def __init__(self, in_channels, rate=4):
        super().__init__()
        out_channels = in_channels
        in_channels = int(in_channels)
        out_channels = int(out_channels)
        inchannel_rate = int(in_channels/rate)
        self.linear1 = nn.Linear(in_channels, inchannel_rate)
        self.relu = nn.ReLU(inplace=True)
        self.linear2 = nn.Linear(inchannel_rate, in_channels)       
        self.conv1=nn.Conv2d(in_channels, inchannel_rate,kernel_size=7,padding=3,padding_mode='replicate')
        self.conv2=nn.Conv2d(inchannel_rate, out_channels,kernel_size=7,padding=3,padding_mode='replicate')
        self.norm1 = nn.BatchNorm2d(inchannel_rate)
        self.norm2 = nn.BatchNorm2d(out_channels)
        self.sigmoid = nn.Sigmoid()

    def forward(self,x):
        b, c, h, w = x.shape
        # B,C,H,W ==> B,H*W,C
        x_permute = x.permute(0, 2, 3, 1).view(b, -1, c)        
        # B,H*W,C ==> B,H,W,C
        x_att_permute = self.linear2(self.relu(self.linear1(x_permute))).view(b, h, w, c)
        # B,H,W,C ==> B,C,H,W
        x_channel_att = x_att_permute.permute(0, 3, 1, 2)
        x = x * x_channel_att
        x_spatial_att = self.relu(self.norm1(self.conv1(x)))
        x_spatial_att = self.sigmoid(self.norm2(self.conv2(x_spatial_att)))        
        out = x * x_spatial_att
        return out

四、YOLOv8中GAM使用方法

1.YOLOv8中添加GAM模块：

首先在ultralytics/nn/modules/conv.py最后添加模块的代码。

2.在conv.py的开头__all__ = 内添加GAM模块的类别名：

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

4.在ultralytics/nn/tasks.py进行GAM注意力机制的注册，以及在YOLOv8的yaml配置文件中添加GAM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。找以下注册代码，将GAM添加进去即可：

        elif m in {CBAM,ECA,GAM}:#添加注意力模块，没有CBAM的，将CBAM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_GAM.yaml的配置文件：（路径:ultralytics/cfg/models/v8/YOLOv8_GAM.yaml）其中参数中nc，由自己的数据集决定。本文测试，采用的coco8数据集，有80个类别。

# Ultralytics YOLO 

标签：__,nn,self,YOLOv8,channels,GAM,注意力	

From： https://blog.csdn.net/2301_79619145/article/details/143376852