🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

你好，我是@努力的小巴掌

之前用baseline跑了yolov8。

为了提升性能，我们需要对yolov8进行优化。

本次的优化，我们从增加注意力机制开始。

🚀CA:注意力机制

增强yolov8对于小目标的识别，加入CA机制。

论文是这样说的：

CA（Hou et al., 2021）机制：“该机制可以同时捕获远处的空间和通道信息，显着提高模型针对复杂情况准确定位和识别目标物体的能力”

“CA机制纳入YOLOv8的主干网络中，并与C2f模块相结合，将C2f模块重新设计为C2f_CA，可用于替换网络中原有的C2f模块。”

🚀优化步骤

一、增加CA注意力机制模块到conv.py里面

CA机制的代码

#CA注意力机制
class h_sigmoid(nn.Module):def __init__(self, inplace=True):super(h_sigmoid, self).__init__()self.relu = nn.ReLU6(inplace=inplace)def forward(self, x):return self.relu(x + 3) / 6
class h_swish(nn.Module):def __init__(self, inplace=True):super(h_swish, self).__init__()self.sigmoid = h_sigmoid(inplace=inplace)def forward(self, x):return x * self.sigmoid(x)class CoordAtt(nn.Module):def __init__(self, inp, reduction=32):super(CoordAtt, self).__init__()self.pool_h = nn.AdaptiveAvgPool2d((None, 1))self.pool_w = nn.AdaptiveAvgPool2d((1, None))mip = max(8, inp // reduction)self.conv1 = nn.Conv2d(inp, mip, kernel_size=1, stride=1, padding=0)self.bn1 = nn.BatchNorm2d(mip)self.act = h_swish()self.conv_h = nn.Conv2d(mip, inp, kernel_size=1, stride=1, padding=0)self.conv_w = nn.Conv2d(mip, inp, kernel_size=1, stride=1, padding=0)def forward(self, x):identity = xn, c, h, w = x.size()#c*1*Wx_h = self.pool_h(x)#c*H*1