YOLOv5加入CBAM注意力机制，实现涨点！

Dandelion701

于 2024-05-09 15:03:13 发布

阅读量653

点赞数

CC 4.0 BY-SA版权

分类专栏： yoloV5改进，涨点文章标签： YOLO

本文链接：https://blog.csdn.net/weixin_57058018/article/details/138614367

yoloV5改进，涨点专栏收录该内容

15 篇文章 ¥15.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍如何在YOLOv5n模型中集成CBAM注意力机制，包括两种实现方式：一种是在主干网络中添加，另一种是加在卷积层上。详细步骤涉及修改common.py和yolo.py文件，调整yolov5n.yaml配置，并展示成功运行的输出结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这里我们讲一下如何在yolov5n文件里面加入CBAM注意力机制，我这里涨点的话一共两种加法，我们先来讲第一种。

第一种我们加在主干中，我们首先找到models文件夹里面的common.py文件

添加如下模块：

class ChannelAttention(nn.Module):
    def __init__(self, in_planes, ratio=16):
        super(ChannelAttention, self).__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.max_pool = nn.AdaptiveMaxPool2d(1)

        self.f1 = nn.Conv2d(in_planes, in_planes // ratio, 1, bias=False)
        self.relu = nn.ReLU()
        self.f2 = nn.Conv2d(in_planes // ratio, in_planes, 1, bias=False)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        avg_out = self.f2(self.relu(self.f1(self.avg_pool(x))))
        max_out = self.f2(self.relu(self.f1(self.max_pool(x))))
        out = self.