国外做农产品有名的网站,手机端网站设计模板,淘客联盟如何做网站推广,phpwind discuz wordpress《博主简介》 小伙伴们好#xff0c;我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源#xff0c;可关注公-仲-hao:【阿旭算法与机器学习】#xff0c;共同学习交流~ #x1f44d;感谢小伙伴们点赞、关注#xff01; 《------往期经典推…《博主简介》 小伙伴们好我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源可关注公-仲-hao:【阿旭算法与机器学习】共同学习交流~ 感谢小伙伴们点赞、关注 《------往期经典推荐------》 一、AI应用软件开发实战专栏【链接】 项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】22.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】23.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】24.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】25.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】26.【基于YOLOv8深度学习的人脸面部表情识别系统】27.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】 二、机器学习实战专栏【链接】已更新31期欢迎关注持续更新中~~ 三、深度学习【Pytorch】专栏【链接】 四、【Stable Diffusion绘画系列】专栏【链接】 《------正文------》 ## 搜索C2f源码位置并新建C2f类 在项目目录中全局搜索class c2f即可找到c2f的源码位置。然后打开源码位置进行相应修改。源码路径为ultralytics/nn/modules/block.py 在原文件中直接copy一份c2f类的源码然后命名为c2f_Attention如下所示 在不同文件导入新建的C2f类 在ultralytics/nn/modules/block.py顶部all中添加刚才创建的类的名称c2f_Attention,如下图所示 同样需要在ultralytics/nn/modules/__init__.py文件相应位置导入刚出创建的c2f_Attention类。如下图 还需要在ultralytics/nn/tasks.py中导入创建的c2f_Attention类如下图 在parse_model解析函数中添加C2f类 在ultralytics/nn/tasks.py的parse_model解析网络结构的函数中加入c2f_Attention类如下图 创建新的配置文件c2f_att_yolov8.yaml 在ultralytics/cfg/models/v8目录下新建c2f_att_yolov8.yaml配置文件内容如下: # Ultralytics YOLO , AGPL-3.0 license # YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters nc: 80 # number of classes scales: # model compound scaling constants, i.e. modelyolov8n.yaml will call yolov8.yaml with scale n# [depth, width, max_channels]n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPss: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPsm: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients, 79.3 GFLOPsl: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPsx: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs# YOLOv8.0n backbone backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 6, C2f_Attention, [256, True]]- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16- [-1, 6, C2f_Attention, [512, True]]- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32- [-1, 3, C2f_Attention, [1024, True]]- [-1, 1, SPPF, [1024, 5]] # 9# YOLOv8.0n head head:- [-1, 1, nn.Upsample, [None, 2, nearest]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 3, C2f, [512]] # 12- [-1, 1, nn.Upsample, [None, 2, nearest]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 3, C2f, [256]] # 15 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 12], 1, Concat, [1]] # cat head P4- [-1, 3, C2f, [512]] # 18 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]] # cat head P5- [-1, 3, C2f, [1024]] # 21 (P5/32-large)- [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)新的c2f_att_yolov8.yaml配置文件与原yolov8.yaml文件的对比如下 在C2f中添加注意力ShuffleAttention 注意对于有通道数参数的注意力机制其输入通道数为其上层的输出通道数。这个注意力添加的位置有关。 在路径ultralytics/nn下新建注意力模块ShuffleAttention.py文件。内容如下 import numpy as np import torch from torch import nn from torch.nn import init from torch.nn.parameter import Parameterclass ShuffleAttention(nn.Module):def __init__(self, channel512, reduction16, G8):super().__init__()self.G Gself.channel channelself.avg_pool nn.AdaptiveAvgPool2d(1)self.gn nn.GroupNorm(channel // (2 * G), channel // (2 * G))self.cweight Parameter(torch.zeros(1, channel // (2 * G), 1, 1))self.cbias Parameter(torch.ones(1, channel // (2 * G), 1, 1))self.sweight Parameter(torch.zeros(1, channel // (2 * G), 1, 1))self.sbias Parameter(torch.ones(1, channel // (2 * G), 1, 1))self.sigmoid nn.Sigmoid()def init_weights(self):for m in self.modules():if isinstance(m, nn.Conv2d):init.kaiming_normal_(m.weight, modefan_out)if m.bias is not None:init.constant_(m.bias, 0)elif isinstance(m, nn.BatchNorm2d):init.constant_(m.weight, 1)init.constant_(m.bias, 0)elif isinstance(m, nn.Linear):init.normal_(m.weight, std0.001)if m.bias is not None:init.constant_(m.bias, 0)staticmethoddef channel_shuffle(x, groups):b, c, h, w x.shapex x.reshape(b, groups, -1, h, w)x x.permute(0, 2, 1, 3, 4)# flattenx x.reshape(b, -1, h, w)return xdef forward(self, x):b, c, h, w x.size()# group into subfeaturesx x.view(b * self.G, -1, h, w) # bs*G,c//G,h,w# channel_splitx_0, x_1 x.chunk(2, dim1) # bs*G,c//(2*G),h,w# channel attentionx_channel self.avg_pool(x_0) # bs*G,c//(2*G),1,1x_channel self.cweight * x_channel self.cbias # bs*G,c//(2*G),1,1x_channel x_0 * self.sigmoid(x_channel)# spatial attentionx_spatial self.gn(x_1) # bs*G,c//(2*G),h,wx_spatial self.sweight * x_spatial self.sbias # bs*G,c//(2*G),h,wx_spatial x_1 * self.sigmoid(x_spatial) # bs*G,c//(2*G),h,w# concatenate along channel axisout torch.cat([x_channel, x_spatial], dim1) # bs*G,c//G,h,wout out.contiguous().view(b, -1, h, w)# channel shuffleout self.channel_shuffle(out, 2)return out在ultralytics/nn/tasks.py中导入并修改在parse_model解析网络结构的函数中添加解析代码 注意力不同位置添加方法 在ultralytics/nn/modules/block.py中的c2f_Attention类中代码相应位置添加注意力机制 1 . 方式一在self.cv1后面添加注意力机制 2.方式二在self.cv2后面添加注意力机制 3.方式三在c2f的bottleneck中添加注意力机制将Bottleneck类复制一份并命名为Bottleneck_Attention,然后在Bottleneck_Attention的cv2后面添加注意力机制同时修改C2f_Attention类别中的Bottleneck为Bottleneck_Attention。如下图所示 加载配置文件并训练 加载c2f_att_yolov8.yaml配置文件并运行train.py训练代码: #coding:utf-8 from ultralytics import YOLOif __name__ __main__:model YOLO(ultralytics/cfg/models/v8/c2f_att_yolov8.yaml)model.load(yolov8n.pt) # loading pretrain weightsmodel.train(datadatasets/TomatoData/data.yaml, epochs150, batch2)注意观察打印出的网络结构是否正常修改如下图所示 【源码免费获取】 为了小伙伴们能够更好的学习实践本文已将所有代码、示例数据集、论文等相关内容打包上传供小伙伴们学习。获取方式如下 关注下方名片G-Z-H【阿旭算法与机器学习】发送【yolov8改进】即可免费获取 结束语 关于本篇文章大家有任何建议或意见欢迎在评论区留言交流 觉得不错的小伙伴感谢点赞、关注加收藏哦