爆改YOLOv8 | PSA注意力机制融合入YOLOv8

金字塔切分注意力模块PSA学习笔记 (附代码) 阅读详情
AI摘要

本文介绍如何将PyramidSplitAttention(PSA)模块融合到YOLOv8中以提升其检测性能。PSA模块能有效提取丰富特征,适配于多种任务。文章详细展示了在YOLOv8代码中加入PSA的具体步骤。

1,本文介绍

Pyramid Split Attention (PSA)是一种基于注意力机制的模块,它可以用于图像分类、目标检测等任务中。PSA模块通过将不同大小的卷积核的卷积结果进行拼接,形成一个金字塔状的特征图,然后在这个特征图上应用注意力机制,以提取更加丰富的特征信息。与其他注意力模块相比,PSA模块具有轻量、简单高效等特点,可以与ResNet等主流网络结构结合使用,提高模型的性能。

关于PSA的详细介绍可以看论文:https://arxiv.org/pdf/2405.14458

本文将讲解如何将PSA融合进yolov8

话不多说,上代码!

2,将PSA融合进YOLOv8

2.1 步骤一

首先找到如下的目录'ultralytics/nn',然后在这个目录下创建一个'Addmodules'文件夹,然后在这个目录下创建一个psa.py文件,文件名字可以根据你自己的习惯起,然后将PSA的核心代码复制进去。

import torch
import torch.nn as nn
 
__all__ = ['PSA']
 
def autopad(k, p=None, d=1):  # kernel, padding, dilation
    """Pad to 'same' shape outputs."""
    if d > 1:
        k = d * (k - 1) + 1 if isinstance(k, int) else [d * (x - 1) + 1 for x in k]  # actual kernel-size
    if p is None:
        p = k // 2 if isinstance(k, int) else [x // 2 for x in k]  # auto-pad
    return p
 
 
class Conv(nn.Module):
    """Standard convolution with args(ch_in, ch_out, kernel, stride, padding, groups, dilation, activation)."""
 
    default_act = nn.SiLU()  # default activation
 
    def __init__(self, c1, c2, k=1, s=1, p=None, g=1,
PSA极化注意力机制:Polarized Self-Attention: Towards High-quality Pixel-wise Regression 摘要 在计算机视觉任务中,语义分割和关键点检测是具有挑战的,因为既要尽量保持高分辨率、又要考虑计算量,以及尽量连接全局信息得到结果。由于提取全局信息的有效性以及对全局像素special的注意力,attention机制在计算机视觉领域变得非常的流行。CNN本身是卷积共享的核,且具有平移不变性,也就代表其是local且丧失special注意力的。但是long-range的attention参数量大,训练耗时长且难以收敛;很多学者都在研究轻便易于训练的attention机制。本文提出了一种极化注意力机制,其优势在 阅读详情

相关推荐

YOLOv8融合PSA注意力机制实操指南:从原理到训练调优

注意力机制是提升目标检测模型特征表达的重要手段,尤其在处理小目标和复杂背景时,能够帮助网络聚焦关键区域与重要通道。极化自注意力(PSA)通过通道分支的softmax空间压缩与空间分支的sigmoid全分辨率保留,在极少参数量增加的前提下同时建模全局依赖与局部细节,相比SE、CBAM等具有更优的细节保持能力。该机制适用于PCB缺陷检测、航拍小目标识别等高精度场景。围绕YOLOv8框架,完整阐述了PSA模块的PyTorch实现、模块注册、网络结构修改及训练调参过程,并给出SPPF后与Neck多尺度插入的对比数据

weixin_32597009的博客 215

YOLOv11模块拆解:从PSA注意力机制看CV设计新趋势

本文深入解析YOLOv11的PSA注意力机制,揭示其在计算机视觉领域的设计突破与应用优势。通过双路并行架构和轻量化设计,PSA模块显著提升目标检测精度,特别是在无人机航拍和医疗影像等场景中表现突出。文章还提供了工业落地的调参指南和前沿应用探索,展现了YOLOv11在CV设计中的新趋势。

weixin_42667269的博客 352

YOLOv8轻量注意力改进:C2PSA与MSLA并行融合实战指南

注意力机制是现代目标检测模型提升小目标识别与复杂背景鲁棒性的核心手段。其原理在于动态建模通道重要性与空间长程依赖关系,技术价值体现在不显著增加计算开销的前提下增强特征判别力。典型应用场景包括PCB缺陷检测、物流条码定位、农业无人机巡检等存在尺度差异大、纹理相似度高的工业视觉任务。C2PSA通过通道-空间并行支路实现结构化重标定,MSLA则以多尺度线性投影突破传统Attention的O(N²)复杂度瓶颈。二者协同设计,正是当前基于YOLOv8基座落地高性能轻量检测模型的关键路径。

weixin_32597009的博客 347

将PSA注意力机制融合进YOLOv8:提升目标检测性能的完整实践指南

本文详细介绍了如何将PSA注意力机制融合到YOLOv8目标检测框架中。PSA是一种创新的注意力机制,通过金字塔式特征分割和多头注意力,在保持轻量化的同时显著提升模型性能。文章从PSA原理入手,详细解析了其核心设计思想,包括特征分割、注意力机制和前馈网络增强。然后提供了完整的实现步骤,包括创建模块文件、修改配置文件、训练模型和性能评估。通过实验验证,融合PSA的YOLOv8在保持检测速度的同时,平均精度(AP)提升了3-5%。该方法为增强目标检测模型性能提供了实用的解决方案。

FJN110的博客 379

YOLOv8改进 | 添加注意力篇 | 利用YOLOv10提出的PSA注意力机制助力YOLOv8有效涨点(附代码 + 详细修改教程)

本文给大家带来的改进机制是YOLOv10提出的PSA注意力机制,自注意力在各种视觉任务中得到了广泛应用,因为它具有显著的全局建模能力。然而,自注意力机制表现出较高的计算复杂度和内存占用。为了解决这个问题,鉴于注意力头冗余的普遍存在,我们提出了一种高效的部分自注意力(PSA)模块设计,其能够在不显著增加计算成本的情况下提升YOLO模型的性能!本文附其网络结构图辅助大家理解该结构,同时本文包含YOLOv8添加该注意力机制的方法!欢迎大家订阅我的专栏一起学习YOLO!

Snu77的博客 5698

YOLOv10涨点改进:如何魔改注意力进行二次创新,高效替换PSA | NEU-DET为案列进行展开

在NEU-DET案列进行可行性验证,1)mAP50从0.683提升至0.698;2)mAP50从0.683提升至0.695;

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 7310

YOLOv5改进 | 添加注意力篇 | 利用YOLOv10提出的PSA注意力机制助力YOLOv5有效涨点(附代码 + 详细修改教程)

本文给大家带来的改进机制是YOLOv10提出的PSA注意力机制,自注意力在各种视觉任务中得到了广泛应用,因为它具有显著的全局建模能力。然而,自注意力机制表现出较高的计算复杂度和内存占用。为了解决这个问题,鉴于注意力头冗余的普遍存在,我们提出了一种高效的部分自注意力(PSA)模块设计,其能够在不显著增加计算成本的情况下提升YOLO模型的性能!本文附其网络结构图辅助大家理解该结构,同时本文包含YOLOv8添加该注意力机制的方法!欢迎大家订阅我的专栏一起学习YOLO!

Snu77的博客 2589

YOLOv9改进策略 | 添加注意力篇 | 利用YOLOv10提出的PSA注意力机制助力YOLOv9有效涨点(附代码 + 详细修改教程)

本文给大家带来的改进机制是YOLOv10提出的PSA注意力机制,自注意力在各种视觉任务中得到了广泛应用,因为它具有显著的全局建模能力。然而,自注意力机制表现出较高的计算复杂度和内存占用。为了解决这个问题,鉴于注意力头冗余的普遍存在,我们提出了一种高效的部分自注意力(PSA)模块设计,其能够在不显著增加计算成本的情况下提升YOLO模型的性能!本文附其网络结构图辅助大家理解该结构,同时本文包含YOLOv9添加该注意力机制的方法!欢迎大家订阅我的专栏一起学习YOLO!

Snu77的博客 1552

YOLOv9独家改进:注意力魔改 | 高效的部分自注意力(PSA)模块,来自YOLOv10

如何跟YOLOv9结合:PSA加入到backbone

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 811

YOLOv10涨点改进:注意力魔改 | 轻量级自注意力机制CoordAttention | CVPR2021

在NEU-DET案列进行可行性验证,1)mAP50从0.683提升至0.7 ;2)mAP50从0.683提升至0.704

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 3605

YOLOv11改进:集成FocusedLinearAttention与C2PSA注意力机制实现性能提升

lr0: 0.0032 # 初始学习率lrf: 0.15 # 最终学习率 = lr0 * lrfbox: 0.05 # box损失增益cls: 0.5 # 分类损失增益cls_pw: 1.0 # 分类正样本权重obj: 1.0 # 目标损失增益obj_pw: 1.0 # 目标正样本权重fl_gamma: 1.5 # 聚焦参数。

weixin_39818775的博客 1376

YOLOv11改进:添加DAttention (DAT)与二次创新C2PSA注意力机制

YOLOv11是YOLO系列的最新演进版本,继承了YOLO系列实时目标检测的优势,同时在精度和速度上进行了进一步优化。DAttention (Deformable Attention)通过可变形卷积的思想改进传统注意力机制,能更灵活地适应不同形状和尺寸的目标。C2PSA (Cross-Channel Cross-Position Self-Attention)是一种创新的注意力机制,通过交叉通道和交叉位置的注意力计算,显著提升了特征表示能力。

weixin_39818775的博客 1250

【数字IC设计】Centos 7桌面版 安装Synopsys EDA Tools

简称DC,是Synopsys公司用于做电路综合的核心工具,可以将HDL描述的电路转换为基于工艺库的门级网表。

qiumingT的博客 9837

扬声器设计避坑指南:用Comsol分析反电动势对THD的影响(附案例文件)

本文深入探讨了扬声器设计中反电动势对总谐波失真的关键影响。通过COMSOL仿真,详细分析了BL值非线性、音圈电感变化等电磁-力-声耦合机制,并提供了从参数化建模到系统级优化的实战指南,帮助工程师精准量化并降低谐波失真,提升扬声器音质。

xx56789的博客 531

手把手教你用Ubuntu Desktop搭建个人L2TP服务器,手机电脑都能连(Network Manager配置详解)

本文详细介绍了在Ubuntu Desktop上使用Network Manager图形化配置L2TP服务器的方法,实现手机、电脑等多设备安全连接。从环境准备、图形界面设置到各平台客户端配置,提供一站式解决方案,并包含常见问题排查与安全增强措施,帮助用户快速搭建个人远程访问网络。

weixin_30555125的博客 127

双硬盘下Ubuntu 16.04与Win10双系统的安装

之前写过一个双系统安装过程,今天再次整理的原因是想重点强调双硬盘的区别。标红的一定要注意看,那就是我自己一步一步踏出来的坑啊...   基础步骤就不再重复,重点讲区别,需要看详细步骤的童鞋(或者你只有一个硬盘)请看我上一篇博客https://blog.csdn.net/weixin_40308540/article/details/80157444   区别:双硬盘和单硬盘的区别是什么呢?...

不吃包子 1127

PostgreSQL的学习心得和知识总结(一百二十六)|深入理解PostgreSQL数据库SQL执行时间计算 \timing 和 log_duration的使用和原理

1、参考书籍:《PostgreSQL数据库内核分析》2、参考书籍:《数据库事务处理的艺术:事务管理与并发控制》3、

孤傲小二~阿沐的博客 992

AUTOSAR MCAL开发及EB Tresos工具使用总结

在基于AutoSar CP架构开发MCAL时,会使用到EB tresos工具。本文主要对MCAL开发及EB tresos工具使用进行总结,仅作为自学使用,以方便后续查漏补缺。

liuxu324的博客 2635

机器人视觉联动精度优化:从±2mm到±0.02mm,产线级手眼标定全实战

2025年我接东莞长安Type-C接口分拣项目的时候,就是栽在了手眼标定上:实验室里标定完精度±0.5mm,一到产线直接掉到±2mm,机器人10次有3次抓不住,2000多件Type-C接口直接报废,还撞坏了2套汇川SCARA机器人的吸盘,本来45天的工期拖了3个月,不仅没赚到钱,还倒贴了几万块。手眼标定从来不是简单的跑个demo、算个矩阵就完事了,它是一个系统工程:从硬件选型、安装固定、相机标定、标定流程、算法优化、环境控制、重复验证,每一个环节都会影响最终的联动精度。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 392

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

上一篇: 爆改YOLOv8 || 利用Gold-YOLO提高YOLOv8对小目标检测精度
下一篇: 爆改YOLOv8 | yolov8添加CA注意力机制
不想敲代码!!!
博客等级 码龄8年 823粉丝 39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