在计算机视觉任务中，通道或空间注意力机制虽能提升特征表示效果，但通道维度缩减建模跨通道关系可能影响深度视觉表示提取。为解决此问题，本文提出高效多尺度注意力（EMA）模块，将部分通道重塑为批量维度，分组通道维度为多个子特征，使空间语义特征在各特征组内良好分布；除在并行分支编码全局信息重新校准通道权重外，还通过跨维度交互聚合两个并行分支输出特征，以捕获像素级成对关系，从而在避免通道维度缩减副作用的同时提升了特征提取效果。在yolo目标检测模型中,为了增强backbone的多尺度特征，本文使用EMA替换C2PSA中的普通注意力机制，提升YOLOv11模型的多尺度特征。
上面是原模型，下面是改进模型
1. 高效多尺度注意力EMA结构介绍
-
EMA 的原理
-
EMA（Efficient Multi - scale Attention）是一种用于计算机视觉任务中的注意力机制。其主要目的是在不减少通道维度的情况下，有效地捕捉多尺度特征。传统的通道注意力机制在处理跨通道关系时，可能会因为通道维度的缩减而丢失一些重要信息。EMA 通过创新的结构设计来避免这种情况。
-
EMA 将部分通道重塑为批量维度，分组通道维度为多个子特征，使得空间语义特征在各特征组内能够良好分布。这种方法能够在避免通道维度缩减副作用的同时提升特征提取效果。
-
除了在并行分支编码全局信息并重新校准通道权重外，EMA 还通过跨维度交互聚合两个并行分支的输出特征，以捕获像素级成对关系。
-
-
EMA 的结构
-
输入（Input）：输入特征图的形状为CxHxW，其中C是通道数，H是高度，W是宽度。
-
分组（Grouping）：输入特征图被分成多个子特征，每个子特征的通道数为c/g，其中g是分组数。这些子特征在图中用黄色框表示。
-
并行分支（Parallel Branches）：
-
左侧分支（Left Branch）：包括多个操作，如平均池化（Avg Pool）、Softmax 操作、与输入特征图相乘等。这些操作旨在捕捉全局信息并重新校准通道权重。
-
右侧分支（Right Branch）：包括卷积操作（Conv）、批量归一化（Batch Norm）、激活函数（如 ReLU）等。这些操作用于处理局部特征。
-
-
跨维度交互（Cross - Dimension Interaction）：通过跨维度交互，两个并行分支的输出特征被聚合在一起，以捕获像素级成对关系。
-
输出（Output）：最终输出特征图的形状与输入特征图相同，为CxHxW。
-
2. YOLOv11与高效多尺度注意力EMA的结合
在yolo目标检测模型中,为了增强backbone的多尺度特征，本文使用EMA替换C2PSA中的普通注意力机制，提升YOLOv11模型的多尺度特征。
3. 高效多尺度注意力EMA代码部分
YOLOv8_improve/YOLOv11.md at master · tgf123/YOLOv8_improve · GitHub
YOLOv11全部代码
4. 将高效多尺度注意力EMA引入到YOLOv11中
第一: 将下面的核心代码复制到D:\model\yolov11\ultralytics\change_model路径下，如下图所示。
第二：在task.py中导入EMCAD_block包
第三：在task.py中的模型配置部分下面代码
第四：将模型配置文件复制到YOLOV11.YAMY文件中
第一个改进的配置文件
第五：运行成功
from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld
if __name__=="__main__":
# 使用自己的YOLOv8.yamy文件搭建模型并加载预训练权重训练模型
model = YOLO(r"D:\model\yolov11\ultralytics\cfg\models\11\yolo11_EMA.yaml")\
.load(r'D:\model\yolov11\yolo11n.pt') # build from YAML and transfer weights
results = model.train(data=r'D:\model\yolov11\ultralytics\cfg\datasets\VOC_my.yaml',
epochs=300,
imgsz=640,
batch=64,
# cache = False,
# single_cls = False, # 是否是单类别检测
# workers = 0,
# resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',
# amp = True
)