視覺注意力機(jī)制的各種模塊是個好東西，即插即用，可以添加到主流的對象檢測、實例分割等模型的backbone與neck中，實現(xiàn)輕松漲點，本文使用OID數(shù)據(jù)集的2000多張數(shù)據(jù)，基于YOLOv5s基礎(chǔ)上實現(xiàn)五種視覺注意力模塊的改進(jìn)，然后訓(xùn)練相同的輪次，橫向比較模型的精度。

YOLOv5添加注意模塊魔改

視覺注意力機(jī)制是一個好東西，即插即用，YOLOv5 7.0版本工程代碼簡潔明了，代碼加入視覺注意力模塊支持異常方便，以SE注意力為例，只要三步即可完成： 1. 修改模型結(jié)構(gòu)文件yaml、添加注意力機(jī)制SENet模塊 2. 修改模型結(jié)構(gòu)實現(xiàn)代碼文件common.py，實現(xiàn)SENet模塊代碼添加 3. 修改模型解析代碼文件yolo.py，注冊新添加的SENet模塊解析支持 這樣就完成了YOLOv5+SE注意力模塊的支持，別急，我還修改了ECA、CA、GAM、CBAM，顯示如下：

然后統(tǒng)統(tǒng)訓(xùn)練100輪次，跟原來的沒有添加注意力機(jī)制的對比一下，看看效果怎么樣？答案揭曉了，

我只是在SPPF之前的一層添加了注意力模塊，只有這個小小的改動！從效果看，基本都可以漲點了…

對比驗證結(jié)果

100 輪次OID數(shù)據(jù)集自定義數(shù)據(jù)，YOLOv5s模型與SE、ECA、CA、CBAM、GAM五種注意力改進(jìn)模型，mAP指標(biāo)統(tǒng)計與對比

YOLOv5注意力機(jī)制模型部署

然后我還基于以前的測試程序上測試一下，導(dǎo)出ONNX格式，然后通過ONNXRUNTIME進(jìn)行推理，以SE注意力+YOLOv5s為例，感覺一切順利。PyQT5 + ONNXRUNTIME, 圖示如下：

責(zé)任編輯：彭菁