YOLOv13改进策略【注意力机制篇】| 添加SE、CBAM、ECA、CA经典注意力,即插即用

本文基于 YOLOv13 官方仓库(iMoonLab/yolov13,ultralytics 8.3.63 fork) 实测整理,Windows/CPU 环境全程可跑(flash_attn 自动降级为标准注意力)。注意力机制模块本身与模型版本无关,但插入位置、yaml 层号、注册细节在 v13 里完全不同,这篇把四个最经典的注意力模块——SE、CBAM、ECA、CA——一次性按 v13 重讲,并给出可直接复制运行的 yaml。

前言

YOLOv13(清华团队,HyperACE 超图 + FullPAD 全流水线聚合架构)把检测 backbone 换成了 DSC3k2/A2C2f/DSConv 的全新组合,还引入了 HyperACE 超图模块和 7 个 FullPAD_Tunnel 门控——注意力的插入位置必须按 v13 结构重新规划(backbone 末端是 A2C2f,全网 7 个门控的引用都要同步顺移)。这篇以 SE/CBAM/ECA/CA 四个经典模块为例,演示注意力模块如何接入 v13:结构分析、插入点选择、层号顺移、注册适配,全套实测验证。

专栏目录:YOLOv13改进目录一览

专栏地址:YOLOv13改进专栏——持续更新各方向即插即用改进

一、先看懂 YOLOv13 的结构:插入点变了

对照官方 yolov13.yaml(节选,层号从 0 数起):

backbone:
  - [-1, 1, Conv,  [64, 3, 2]]          # 0-P1/2
  - [-1, 1, Conv,  [128, 3, 2, 1, 2]]   # 1-P2/4
  - [-1, 2, DSC3k2,  [256, False, 0.25]]# 2
  - [-1, 1, Conv,  [256, 3, 2, 1, 4]]   # 3-P3/8
  - [-1, 2, DSC3k2,  [512, False, 0.25]]# 4
  - [-1, 1, DSConv,  [512, 3, 2]]       # 5-P4/16
  - [-1, 4, A2C2f, [512, True, 4]]      # 6
  - [-1, 1, DSConv,  [1024, 3, 2]]      # 7-P5/32
  - [-1, 4, A2C2f, [1024, True, 1]]     # 8  ★backbone末端
head:
  - [[4, 6, 8], 2, HyperACE, [...]]     # 9  ★超图模块,吃三个尺度
  - [-1, 1, nn.Upsample, [...]]         # 10
  - [ 9, 1, DownsampleConv, []]         # 11
  - [[6, 9], 1, FullPAD_Tunnel, []]     # 12 ★门控引用了第9层!
  ...(共7个FullPAD_Tunnel分散在全网)
  - [[23, 27, 31], 1, Detect, [nc]]     # 32

YOLOv13 结构的三大关键点:

  1. 没有 SPPF 和 C2PSA:backbone 末端是 A2C2f(层8),注意力的插入位置必须重新规划;
  2. HyperACE(层9)聚合 [4,6,8] 三个尺度,是 v13 的增强核心;
  3. 7 个 FullPAD_Tunnel 把增强特征分发回全网,它们的 from 引用横跨 4-27 层——插入任何新层,这些引用全部要顺移,漏一个就报错。

插入点选择:本文选在 层 8(backbone 末端 A2C2f)之后,其他合理位置还有层 9 后(HyperACE 之后)、层 17/21/26/30 后(Neck 各尺度),方法相同。新层成为 第 9 层,后面所有层顺移 +1(这就是为什么下文 yaml 里 head 的引用统一 +1)。

二、四个模块原理速览

模块本身与模型版本无关,这里简要回顾。四个都是通道/空间重加权类注意力,区别在于"如何生成权重"。

2.1 SE:Squeeze-and-Excitation 通道注意力(CVPR 2018)

SE 只做一件事:让每个通道自己学一个重要性系数。

  • Squeeze:对特征图沿空间维度做全局平均池化,把 (B, C, H, W) 压成 (B, C),得到每个通道的全局描述;
  • Excitation:用两层全连接(先降维 C → C/r,再升维回 C,中间 ReLU,最后 Sigmoid)学出 C 个 0~1 之间的权重;
  • 权重乘回原特征图,重要通道被放大,冗余通道被抑制。

降维比例 r 控制复杂度,常用 16。

2.2 CBAM:通道 + 空间串联注意力(ECCV 2018)

CBAM 认为只加权通道还不够,空间上"看哪里"同样重要,于是把两个子模块串联:

  1. 通道注意力:在 SE 基础上加强——全局平均池化和全局最大池化双路并行,共享同一个多层感知机(降维→ReLU→升维),两路输出相加过 Sigmoid 得到通道权重;
  2. 空间注意力:沿通道维分别取平均值和最大值,得到两张单通道图,拼接后用一个 7×7 卷积压缩成空间权重图,Sigmoid 后逐像素乘回特征图。

⚠️ 一个很多人不知道的细节:ultralytics 框架其实已经内置了 CBAM,但它是简化版——内置的 ChannelAttention 只有平均池化 + 单层不降维卷积,没有论文中的双池化共享 MLP 结构。做毕业论文/期刊实验时,建议使用下面的论文原版实现 CBAMAtt 并在文中注明出处,创新性和严谨性都更好。本文注册名用 CBAMAtt 以避开与内置 CBAM 的重名冲突。

2.3 ECA:无降维的高效通道注意力(CVPR 2020)

ECA 指出了 SE 的一个问题:降维全连接是有害的——它切断了通道与其权重之间的直接对应关系。ECA 的做法极其简洁:

  • 同样先全局平均池化,但不做任何降维;
  • 让 C 个权重经过一个一维卷积(kernel 大小为 k),让相邻通道之间交换信息;
  • k 不用手调,按公式 k = |log₂(C)/γ + b/γ| 自适应计算(γ=2, b=1,取最近的奇数)。

参数量几乎为零(只有一个 k×k 的一维卷积核),效果却常与 SE 持平甚至更好。

2.4 CA:方向感知的坐标注意力(CVPR 2021)

SE 和 ECA 都只建模了通道关系,丢失了位置信息;CBAM 用大卷积核补位置信息但感受野受限。CA 的思路是把全局池化拆成方向:

  • 沿高度方向池化得 (H,1)、沿宽度方向池化得 (1,W),分别保留某一方向上的长程依赖;
  • 两路拼接 → 1×1 卷积降维 → BN + HardSwish → 再拆开,各自经 1×1 卷积恢复维度后 Sigmoid,得到高度、宽度两组权重;
  • 两组权重分别与特征图相乘,相当于给每个像素位置一个"行权重 × 列权重"的组合,既建模通道又精确定位。

对小目标和长条形目标尤其友好,是检测任务里涨点比较稳的一个模块。

三、实现代码

六个类整体粘贴即可(SE、ChannelAtt、SpatialAtt、CBAMAtt、ECA、CA)。为避免与框架内置的 ChannelAttention / SpatialAttention / CBAM 重名冲突,论文原版类名带 Att 后缀。

import torch
from torch import nn
import math


class SE(nn.Module):
    """SE通道注意力 (Hu et al., CVPR 2018, SENet)。"""

    def __init__(self, c1, reduction=16):
        super().__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.fc = nn.Sequential(
            nn.Linear(c1, c1 // reduction, bias=False),
            nn.ReLU(inplace=True),
            nn.Linear(c1 // reduction, c1, bias=False),
            nn.Sigmoid(),
        )

    def forward(self, x):
        b, c, _, _ = x.shape
        y = self.avg_pool(x).view(b, c)      # Squeeze: (B,C)
        y = self.fc(y).view(b, c, 1, 1)      # Excitation: (B,C,1,1)
        return x * y.expand_as(x)


class ChannelAtt(nn.Module):
    """通道注意力:双池化 + 共享MLP(CBAM论文原版)。"""

    def __init__(self, c1, ratio=16):
        super().__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.max_pool = nn.AdaptiveMaxPool2d(1)
        self.mlp = nn.Sequential(
            nn.Conv2d(c1, c1 // ratio, 1, bias=False),
            nn.ReLU(inplace=True),
            nn.Conv2d(c1 // ratio, c1, 1, bias=False),
        )
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        out = self.mlp(self.avg_pool(x)) + self.mlp(self.max_pool(x))
        return self.sigmoid(out)


class SpatialAtt(nn.Module):
    """空间注意力:通道均值+最大值拼接后7x7卷积。"""

    def __init__(self, kernel_size=7):
        super().__init__()
        assert kernel_size in (3, 7)
        self.conv = nn.Conv2d(2, 1, kernel_size, padding=kernel_size // 2, bias=False)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        avg_out = torch.mean(x, dim=1, keepdim=True)
        max_out, _ = torch.max(x, dim=1, keepdim=True)
        return self.sigmoid(self.conv(torch.cat([avg_out, max_out], dim=1)))


class CBAMAtt(nn.Module):
    """CBAM (Woo et al., ECCV 2018):先通道后空间。"""

    def __init__(self, c1, ratio=16, kernel_size=7):
        super().__init__()
        self.ca = ChannelAtt(c1, ratio)
        self.sa = SpatialAtt(kernel_size)

    def forward(self, x):
        x = self.ca(x) * x   # 通道重加权
        return self.sa(x) * x  # 空间重加权,返回完整特征图


class ECA(nn.Module):
    """ECA高效通道注意力 (Wang et al., CVPR 2020)。"""

    def __init__(self, c1, k_size=None):
        super().__init__()
        if k_size is None:  # 自适应核大小: k = |log2(C)/2 + 1/2|,取奇数
            t = int(abs((math.log(c1, 2) + 1) / 2))
            k_size = t if t % 2 else t + 1
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.conv = nn.Conv1d(1, 1, kernel_size=k_size,
                              padding=k_size // 2, bias=False)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        y = self.avg_pool(x)                            # (B,C,1,1)
        y = self.conv(y.squeeze(-1).transpose(-1, -2))  # (B,1,C),跨通道一维卷积
        y = y.transpose(-1, -2).unsqueeze(-1)           # (B,C,1,1)
        return x * self.sigmoid(y).expand_as(x)


class CA(nn.Module):
    """坐标注意力 Coordinate Attention (Hou et al., CVPR 2021)。"""

    def __init__(self, c1, reduction=32):
        super().__init__()
        self.pool_h = nn.AdaptiveAvgPool2d((None, 1))  # 沿宽度池化 -> (H,1)
        self.pool_w = nn.AdaptiveAvgPool2d((1, None))  # 沿高度池化 -> (1,W)
        mip = max(8, c1 // reduction)
        self.conv1 = nn.Conv2d(c1, mip, 1, 1, 0)
        self.bn1 = nn.BatchNorm2d(mip)
        self.act = nn.Hardswish(inplace=True)
        self.conv_h = nn.Conv2d(mip, c1, 1, 1, 0)
        self.conv_w = nn.Conv2d(mip, c1, 1, 1, 0)

    def forward(self, x):
        identity = x
        n, c, h, w = x.size()
        x_h = self.pool_h(x)                       # (N,C,H,1)
        x_w = self.pool_w(x).permute(0, 1, 3, 2)   # (N,C,W,1)
        y = torch.cat([x_h, x_w], dim=2)           # (N,C,H+W,1) 共享编码
        y = self.act(self.bn1(self.conv1(y)))
        x_h, x_w = torch.split(y, [h, w], dim=2)
        x_w = x_w.permute(0, 1, 3, 2)              # (N,C,1,W)
        a_h = torch.sigmoid(self.conv_h(x_h))      # 行权重
        a_w = torch.sigmoid(self.conv_w(x_w))      # 列权重
        return identity * a_w * a_h

四、添加步骤(v13 版,注意注册分支)

1. 修改 ultralytics/nn/modules/block.py

六个类整体粘贴到文件末尾(yolov13 的 block.py 有 60 个类,粘贴到末尾即可)。

2. 修改 ultralytics/nn/modules/__init__.py

⚠️ v13 坑①:from .block import (...) 块的最后一项 DSC3k2 没有尾逗号(__all__ 元组的最后一项 "DSConv" 同样没有),直接在闭合括号前插入新行会报 SyntaxError: invalid syntax。插入后记得给上一行补逗号。

两处改动——from .block import (...) 与 __all__ 都要加:

# ① 在 from .block import ( ... ) 列表末尾追加导出名
from .block import (
    ...
    DSC3k2,   # ← 补上这个逗号
    SE,
    CBAMAtt,
    ECA,
    CA,
)

# ② 在 __all__ 元组末尾追加同样的名字(注意最后一项是 "DSConv",给它补逗号)
__all__ = (
    ...
    "DSC3k2",
    "DSConv",   # ← 补上这个逗号
    "SE",
    "CBAMAtt",
    "ECA",
    "CA",
)

3. 修改 ultralytics/nn/tasks.py

from ultralytics.nn.modules import (...) 导入块同样以无尾逗号的 DSC3k2 结尾,补逗号后追加:

from ultralytics.nn.modules import (
    ...
    DSC3k2,    # ← 补上这个逗号
    SE,        # 新增
    CBAMAtt,   # 新增(论文原版,避开内置 CBAM)
    ECA,       # 新增
    CA,        # 新增
)

4. parse_model() 里加注册分支(本篇关键新坑)

⚠️ v13 新坑:SE/CBAMAtt/ECA/CA 都属于"只需输入通道数"的模块——yaml 里写 [] 空参数,需要把输入通道 ch[f] 自动塞进第一个参数。v13 原版的 parse_model() 没有任何注意力模块的现成分支(只有 AIFI、HGStem/HGBlock、FullPAD_Tunnel 等结构模块的分支),需要自己在 elif m is FullPAD_Tunnel: 之后、else: 之前加一条集合分支:

        elif m in {SE, CBAMAtt, ECA, CA}:  # 注意力模块:只需输入通道数
            args.insert(0, ch[f])

这一行的含义:这类模块的第一个参数永远是输入通道数 ch[f],其余参数(如 reduction=16、kernel_size)由模块默认值兜底,yaml 中写 [] 即可。集合里的名字必须和上面导入的名字一一对应;SimAM 这类无参数模块不需要这个分支,走默认 else: c2 = ch[f] 透传即可。

五、yaml 模型文件

新建 yolov13n-SE.yaml(文件名里的 n 会自动匹配 scales 中的 n 尺度)。这里把注意力加在 层 8(backbone 末端的 A2C2f)之后,成为 第 9 层(c1=256,因为 v13n 的 width=0.25,1024×0.25=256)——新增层后所有层号都要顺移 +1,7 个 FullPAD_Tunnel、Concat、DownsampleConv、Detect 的引用全部同步更新,可直接复制运行:

# Ultralytics YOLOv13n + SE/CBAM/ECA/CA 🚀
# 基于官方 yolov13.yaml,在 backbone 末端(原层8 A2C2f)后插入注意力层9
nc: 80 # number of classes
scales:
  n: [0.50, 0.25, 1024]
  s: [0.50, 0.50, 1024]
  l: [1.00, 1.00, 512]
  x: [1.00, 1.50, 512]
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]]          # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2, 1, 2]]   # 1-P2/4
  - [-1, 2, DSC3k2, [256, False, 0.25]]# 2
  - [-1, 1, Conv, [256, 3, 2, 1, 4]]   # 3-P3/8
  - [-1, 2, DSC3k2, [512, False, 0.25]]# 4
  - [-1, 1, DSConv, [512, 3, 2]]       # 5-P4/16
  - [-1, 4, A2C2f, [512, True, 4]]     # 6
  - [-1, 1, DSConv, [1024, 3, 2]]      # 7-P5/32
  - [-1, 4, A2C2f, [1024, True, 1]]    # 8
  - [-1, 1, SE, []]                    # 9 ★SE(新增层,后续层号全部+1)
head:
  - [[4, 6, 8], 2, HyperACE, [512, 8, True, True, 0.5, 1, "both"]] # 10
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]  # 11
  - [ 10, 1, DownsampleConv, []]                # 12(原from 9→10)
  - [[6, 10], 1, FullPAD_Tunnel, []]            # 13(原9→10)
  - [[4, 11], 1, FullPAD_Tunnel, []]            # 14(原10→11)
  - [[8, 12], 1, FullPAD_Tunnel, []]            # 15(原11→12)
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]  # 16
  - [[-1, 13], 1, Concat, [1]]                  # 17 cat backbone P4
  - [-1, 2, DSC3k2, [512, True]]                # 18
  - [[-1, 10], 1, FullPAD_Tunnel, []]           # 19(原9→10)
  - [ 18, 1, nn.Upsample, [None, 2, "nearest"]] # 20
  - [[-1, 14], 1, Concat, [1]]                  # 21 cat backbone P3
  - [-1, 2, DSC3k2, [256, True]]                # 22
  - [ 11, 1, Conv, [256, 1, 1]]                 # 23(原10→11)
  - [[22, 23], 1, FullPAD_Tunnel, []]           # 24(原21/22→22/23)
  - [-1, 1, Conv, [256, 3, 2]]                  # 25
  - [[-1, 19], 1, Concat, [1]]                  # 26 cat head P4
  - [-1, 2, DSC3k2, [512, True]]                # 27
  - [[-1, 10], 1, FullPAD_Tunnel, []]           # 28(原9→10)
  - [ 27, 1, Conv, [512, 3, 2]]                 # 29(原26→27)
  - [[-1, 15], 1, Concat, [1]]                  # 30 cat head P5
  - [-1, 2, DSC3k2, [1024,True]]                # 31
  - [[-1, 12], 1, FullPAD_Tunnel, []]           # 32(原11→12)
  - [[24, 28, 32], 1, Detect, [nc]]             # 33 Detect(P3,P4,P5)

换成 CBAM / ECA / CA 只需改第 9 行的模块名:把 - [-1, 1, SE, []] 改成 - [-1, 1, CBAMAtt, []]、- [-1, 1, ECA, []] 或 - [-1, 1, CA, []] 即可,其余层号与引用完全不用动(四个模块插入位置、输入输出通道一致,c1 都是 256)。

六、成功运行结果

yolo detect train model=yolov13n-SE.yaml data=mydata.yaml epochs=100 imgsz=640 batch=16

Python 方式(推荐,能继承预训练权重,收敛更快):

from ultralytics import YOLO

model = YOLO("yolov13n-SE.yaml").load("yolov13n.pt")
model.train(data="mydata.yaml", epochs=100, imgsz=640, batch=16)

本文实测(YOLOv13 官方仓库,Windows CPU,v13n 结构):

基线 yolov13n:  2,494,151 parameters, 6.5 GFLOPs
+SE:            2,502,343 parameters, 6.5 GFLOPs   第9层=SE []
+CBAMAtt:       2,502,441 parameters, 6.6 GFLOPs   第9层=CBAMAtt []
+ECA:           2,494,156 parameters, 6.5 GFLOPs   第9层=ECA []
+CA:            2,500,831 parameters, 6.5 GFLOPs   第9层=CA []

✅ 单元与整网断言全部通过:第 9 层分别为 SE / CBAMAtt / ECA / CA,层号顺移后的 34 层(0~33)yaml 全部引用正确;四个模块在 yaml 中互换均验证通过,模型正常构建并训练。

模型ParamsGFLOPs参数量增量说明
YOLOv13n 基线2.49M6.5-官方结构(不含SPPF/C2PSA)
+SE2.50M6.5+8,192通道注意力,即插即用
+CBAMAtt2.50M6.6+8,290通道+空间双重加权
+ECA2.49M6.5+5近乎零成本的涨点方案
+CA2.50M6.5+6,680方向感知,小目标友好

提示:以上为 YOLOv13n(width=0.25,层9 输入通道 c1=256)实测值;mAP 消融请在你自己的数据集上完成——同一模块在不同任务上的表现可能相反,这正是消融实验的价值所在。

七、总结

v13 迁移的四个关键:插入点按 v13 结构重新选(backbone 末端是 A2C2f 不是 C2PSA,新层插在层 8 后成为层 9)、FullPAD_Tunnel/Concat/DownsampleConv/Detect 的引用层号全量顺移 +1、导入块尾逗号要自己补(from .block import 最后一项 DSC3k2、__all__ 最后一项 DSConv 都没有逗号)、别忘了给 parse_model 加 elif m in {SE, CBAMAtt, ECA, CA} 注册分支(v13 原版没有现成注意力分支,要自己加;这类"只需输入通道数"的模块必须塞 ch[f],否则 yaml 写 [] 会报错)。四个模块都是即插即用,开销极小:ECA 近乎零参数,SE/CA 只加几千参数,CBAM 多一个空间分支也才 +8,290。

选型建议:一般小目标多优先试 CA/CBAMAtt,算力紧张优先试 ECA;具体涨点一定要在自己的数据集上做消融。

觉得有帮助的话,点赞收藏关注三连支持一下,评论区欢迎交流你的实验结果~

专栏目录:YOLOv13改进目录一览 专栏地址:YOLOv13改进专栏——持续更新各方向即插即用改进

YOLOv13改进策略【注意力机制篇】| 添加SE、CBAM、ECA、CA、Swin Transformer等注意力和多头注意力机制 这篇文章带来一个经典注意力模块的汇总,虽然有些模块已经发布很久了,但后续的注意力模块也都是在此基础之上进行改进的,对于初学者来说还是有必要去学习了解一下,以加深对模块,模型的理解。 阅读详情

相关推荐

YOLOv8 改进涨点 | 模块即插即用 直接可用

在目标检测任务中,注意力机制能够帮助模型聚焦于图像中的关键区域,显著提升检测精度。。创建模块代码注册模块修改任务解析tasks.py创建YAML配置文件模块核心优势适用场景计算开销SOCA捕获二阶统计信息,增强通道间相关性需要精细特征区分的场景中等SK自适应多尺度核选择多尺度目标检测中等偏高显式特征聚集-分配机制全局上下文建模中等A2-Net双线性注意力,高效全局交互复杂场景理解中等偏高CrissCross线性复杂度全局上下文高分辨率输入,长距离依赖较低。

u012133341的博客 2263

YOLOv13 添加注意力机制的小技巧与优化策略

摘要: YOLOv13通过改进网络架构(增强的CSPNet主干、优化的PANet颈部结构、动态检测头)显著提升目标检测性能。注意力机制通过特征增强、多尺度适应和长程依赖建模进一步优化检测效果。本文详细探讨了在YOLOv13中集成注意力机制的关键技术:1)注意力模块在主干、颈部和头部的插入位置选择;2)轻量级注意力(ECA、Coordinate Attention)优选与任务适配改进;3)参数初始化、学习率设置等优化策略;4)动态注意力机制实现输入自适应计算。实验表明,合理应用注意力可在保持实时性的同时显著提

FJN110的博客 2577

YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣ 什么!不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行,性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,并进行二次创新,新颖度高,创新度高,能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容,非常适合新手。4️⃣ 团队内发表数篇SCI论

Limiiiing的博客 2万+

YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

如今各种网络模型更新迭代越来越快,计算机视觉相关的文章也越来越多,多到一些普通,通用的改进点无法达到发表的要求。本专栏正是解决这个问题!如何寻找创新点?为什么要使用这个模块?如何才能提升模型的精度?这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了,这已经省去了大部分时间,但是当我们使用这些新的模块去优化已有的模型,如何才能提升模型的精度,才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块,然后是进行大量的实验去排列组合以实现最终的精度提升,这无可厚非。

Limiiiing的博客 6万+

YOLOv13改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣ 已更新种不同的改进方案,专栏内的每篇文章皆,均可顺利运行。2️⃣ 订阅专栏即可进群获取以及从的各种答疑内容。3️⃣ 全新的YOLOv13改进专栏,,只为更好的满足论文发表的要求。专栏内容,专栏实时评分,全网最高,质量保证。🎫。。

Limiiiing的博客 9214

YOLOv9改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

如何寻找创新点?为什么要使用这个模块?如何才能提升模型的精度?这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了,这已经省去了大部分时间,但是当我们使用这些新的模块去优化已有的模型,如何才能提升模型的精度,才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块,然后是进行大量的实验去排列组合以实现最终的精度提升,这无可厚非。

Limiiiing的博客 4216

YOLOv5改进系列(31)——添加Dual-ViT注意力机制(TPAMI 2023|京东提出多尺度双视觉Transformer,降低计算开销)

YOLOv5改进系列(31)——添加Dual-ViT注意力机制(TPAMI 2023|京东提出多尺度双视觉Transformer,降低计算开销)

路人贾的博客 2253

YOLOv8改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣本专栏已更新150多种不同的改进方法,所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,紧跟学术热点,适应不同的任务场景。3️⃣团队内发表数篇SCI论文,熟悉完整的发表流程,订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新,最近更新时间:2024-12-24。项目介绍在大家购买专栏后,加入学

Limiiiing的博客 1万+

yolov5之魔化修改

yolov5魔改

deep_love1314的博客 2826

YOLOv13改进策略【注意力机制篇】| 注意力全家族横评:12个模块一表选型

# 一、总表:12 个模块同框对比以下数据全部为 YOLOv13n(width=0.25,插入位置:层 8 之后,c1=256)上的实测值:| 模块 | 出处 | 机制类型 | 参数增量 | GFLOPs | 注册方式 || ---- | ---- | -------- | -------- | ------ | -------- || SimAM | ICML 2021 | 能量函数 3D 加权 || 6.6 | 免注册分支(透传) || EMA | ICASSP 2023 | 分组多尺度+跨空间 |

qq_53329130的博客 20

YOLOv10改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

如何寻找创新点?为什么要使用这个模块?如何才能提升模型的精度?这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了,这已经省去了大部分时间,但是当我们使用这些新的模块去优化已有的模型,如何才能提升模型的精度,才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块,然后是进行大量的实验去排列组合以实现最终的精度提升,这无可厚非。

Limiiiing的博客 1万+

YOLO26改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣ 什么!不知道如何改进模型⁉️ 本专栏已更新260多种不同的改进方法,所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行,性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,并进行二次创新,新颖度高,创新度高,能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容,非常适合新手

Limiiiing的博客 6595

【YOLO系列】YOLOv5超详细解读(源码详解+入门实践+改进)

一文带你详细了解YOLOv5(含YOLO系列论文讲解+源码详解+入门实践+算法改进)

路人贾的博客 26万+

YOLOv13改进策略【注意力机制篇】| ICML 2021 SimAM 无参数注意力,零参即插即用

SimAM 无参数注意力迁移到 YOLOv13(ultralytics 8.3.63):零参数即插即用、无需 parse_model 注册分支的简洁接入方式,含原理讲解、完整代码与 yaml,附运行结果验证。

qq_53329130的博客 26

YOLOv13改进策略【注意力机制篇】| 2024 MLCA 混合局部通道注意力,局部全局融合

MLCA 混合局部通道注意力在 YOLOv13 上的接入实战:融合通道、空间、局部与全局信息的模块原理、完整代码、yaml 配置与实测参数量对比(ultralytics 8.3.63 全流程验证)。

qq_53329130的博客 32

YOLOv5改进系列(28)——添加DSConv注意力卷积(ICCV 2023|用于管状结构分割的动态蛇形卷积)

YOLOv5改进系列(28)——添加DSConv注意力卷积(ICCV 2023|用于管状结构分割的动态蛇形卷积)

路人贾的博客 3165

海康工业相机触发模式详解:软触发 vs 外触发,在C#里如何选与用?

本文深入解析海康工业相机的软触发与外触发模式,详细比较两者的特性差异、适用场景及C#实现方法。通过海康SDK配置指南和实战代码示例,帮助开发者掌握工业相机触发模式的选择与优化技巧,提升自动化检测系统的精确性和可靠性。

weixin_42635064的博客 561

STM32串口通信实战:从CubeMX配置到printf重定向全解析

串口通信是嵌入式系统中最基础且广泛使用的数据交换方式,它基于异步串行通信原理,通过TX(发送)和RX(接收)两根信号线实现设备间的全双工通信。其技术价值在于协议简单、硬件成本低、可靠性高,是单片机与上位机调试、传感器数据采集、设备控制等场景的首选方案。在STM32等ARM Cortex-M系列MCU中,USART外设通过硬件自动处理时序,大大减轻了CPU负担。本文聚焦于嵌入式竞赛与开发中的高频需求,以STM32G431RBT6为例,详解通过CubeMX配置USART1、实现按键触发数据发送、并完成print

weixin_30603633的博客 551

【Docker】搭建一个媒体服务器插件后端API服务 - MetaTube

本教程基于群晖的NAS设备DS423+的docker功能进行搭建,DSM版为 7.2.1-69057 Update 5。MetaTube是一个媒体服务器插件,主要用于Emby和Jellyfin媒体服务器。它的主要功能是从互联网上抓取内容并响应 JSON 数据,然后通过预安装的 MetaTube 插件请求服务器并下载相应的元数据,以与 Jellyfin/Emby 服务器配合使用。使用 MetaTube 的步骤大致如下:部署后端:首先,需要部署一个名为​ 的后端 API 服务器来抓取内容。

小小笔记大大用处 1万+

如何在Ubuntu 22.04上为AlphaFold3配置NVIDIA A100 GPU(含驱动安装避坑指南)

本文提供了在Ubuntu 22.04系统上为AlphaFold3部署NVIDIA A100 GPU的完整安装教程。内容涵盖从系统环境准备、NVIDIA驱动安装与避坑指南,到Docker容器化部署、数据库获取以及最终构建运行AlphaFold3的详细步骤,旨在帮助研究者和开发者高效配置高性能计算环境,充分发挥A100的硬件潜力。

nft7creator的博客 470

Ansys HFSS 中的同轴电缆仿真

准确模拟它们的行为对于确保 RF 系统的最佳性能至关重要。在本博客中,我们将介绍在 HFSS 中设置同轴电缆仿真并绘制插入损耗、回波损耗和电场分布的过程。将波端口分配给同轴线的两端以激励模型,并定义了从 1 GHz 到 20 GHz 的频率扫描以评估其宽带性能。铜分配给内部导体,铝分配给外部导体。介电区域使用 PTFE 定义,其相对介电常数为 2.1,损耗角正切为 0.00022。仿真完成后,结果用于绘制整个频率范围内的回波损耗和插入损耗。此外,电介质内的电场分布也被绘制和动画化。

jkh920184196的博客 1922

电机控制个人学习路线及专业书籍资源分享

个人学习电机控制的学习路线,和相关专业书的电子文档分享

weixin_45182459的博客 9924

Python爬虫反爬:突破Cloudflare 5秒盾(免费方案,小红书/知乎可用)

这套方案的核心优势是“真实模拟+免费无门槛”无需付费代理、无需复杂JS解密,仅用playwright模拟真实浏览器,即可突破Cloudflare 5秒盾;适配小红书、知乎、豆瓣等主流平台,修改配置即可复用;兼顾易用性和稳定性,新手也能快速上手,企业级场景可通过IP轮换、异步爬取进一步优化。“模拟人类行为到底”——Cloudflare的反爬本质是区分“机器”和“人类”,只要爬虫的浏览器指纹、行为特征与人类一致,就能稳定绕过限制。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 2885

PX4 EKF2 源码解析(五):24 维状态向量、坐标系与四元数

结构体本身不保证内存布局可直接转成Vector24f;矩阵运算仍使用明确切片。理解索引应以fuse()和生成脚本为共同依据。

PX4-SLAM-PNC 26

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

下一篇: YOLOv13改进策略【注意力机制篇】| ICML 2021 SimAM 无参数注意力,零参即插即用
Tingmanyi
博客等级 码龄6年 5粉丝 75原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
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
⌂ 换网址