作為當前先進的深度學習目標檢測算法YOLOv5,已經(jīng)集合了大量的trick,但是還是有提高和改進的空間,針對具體應(yīng)用場景下的檢測難點,可以不同的改進方法,下面這篇文章主要給大家介紹了關(guān)于YOLOv5改進之添加SE注意力機制的相關(guān)資料,需要的朋友可以參考下

前言：

作為當前先進的深度學習目標檢測算法YOLOv5，已經(jīng)集合了大量的trick，但是在處理一些復(fù)雜背景問題的時候，還是容易出現(xiàn)錯漏檢的問題。此后的系列文章，將重點對YOLOv5的如何改進進行詳細的介紹，目的是為了給那些搞科研的同學需要創(chuàng)新點或者搞工程項目的朋友需要達到更好的效果提供自己的微薄幫助和參考。

解決問題：

加入SE通道注意力機制，可以讓網(wǎng)絡(luò)更加關(guān)注待檢測目標，提高檢測效果

SE模塊的原理和結(jié)構(gòu)

添加方法：

第一步：確定添加的位置，作為即插即用的注意力模塊，可以添加到Y(jié)OLOv5網(wǎng)絡(luò)中的任何地方。本文以添加進C3模塊中為例。

第二步：common.py構(gòu)建融入se模塊的C3,與原C3模塊不同的是，該模塊中的bottleneck中融入se模塊。這樣添加主要為了更好的做實驗。

class seC3(nn.Module):
    # CSP Bottleneck with 3 convolutions
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion
        super(seC3, self).__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c1, c_, 1, 1)
        self.cv3 = Conv(2 * c_, c2, 1)  # act=FReLU(c2)
        self.m = nn.Sequential(*[seBottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)])
        # self.m = nn.Sequential(*[CrossConv(c_, c_, 3, 1, g, 1.0, shortcut) for _ in range(n)])
 
    def forward(self, x):
        return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), dim=1))
 
class seBottleneck(nn.Module):
    # Standard bottleneck
    def __init__(self, c1, c2, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, shortcut, groups, expansion
        super(seBottleneck, self).__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_, c2, 3, 1, g=g)
        self.add = shortcut and c1 == c2
        self.avgpool = nn.AdaptiveAvgPool2d(1)
        self.l1 = nn.Linear(c1, c1 // 4, bias=False)
        self.relu = nn.ReLU(inplace=True)
        self.l2 = nn.Linear(c1 // 4, c1, bias=False)
        self.sig = nn.Sigmoid()
 
    def forward(self, x):
        x = self.cv1(x)
        b, c, _, _ = x.size()
        y = self.avgpool(x).view(b, c)
        y = self.l1(y)
        y = self.relu(y)
        y = self.l2(y)
        y = self.sig(y)
        y = y.view(b, c, 1, 1)
        x = x * y.expand_as(x)
        return x + self.cv2(x) if self.add else self.cv2(self.cv1(x))

第三步：yolo.py中注冊我們進行修改的seC3

        if m in [Conv, GhostConv, Bottleneck, Bottleneck_cot,TransformerC3,GhostBottleneck, SPP, DWConv, MixConv2d, Focus, CrossConv, BottleneckCSP,
                 C3,seC3]:
            c1, c2 = ch[f], args[0]
            if c2 != no:  # if not output
                c2 = make_divisible(c2 * gw, 8)
            args = [c1, c2, *args[1:]]
            if m in [BottleneckCSP, seC3]:
                args.insert(2, n)  # number of repeats
                n = 1

第四步：修改yaml文件，本文以修改主干特征提取網(wǎng)絡(luò)為例，將原C3模塊改為seC3即可。