基于YOLOv5s基础上实现五种视觉注意力模块的改进

 

视觉注意力机制的各种模块是个好东西，即插即用，可以添加到主流的对象检测、实例分割等模型的backbone与neck中，实现轻松涨点，本文使用OID数据集的2000多张数据，基于YOLOv5s基础上实现五种视觉注意力模块的改进，然后训练相同的轮次，横向比较模型的精度。

YOLOv5添加注意模块魔改

 视觉注意力机制是一个好东西，即插即用，YOLOv5 7.0版本工程代码简洁明了，代码加入视觉注意力模块支持异常方便，以SE注意力为例，只要三步即可完成： 1. 修改模型结构文件yaml、添加注意力机制SENet模块 2. 修改模型结构实现代码文件common.py，实现SENet模块代码添加 3. 修改模型解析代码文件yolo.py，注册新添加的SENet模块解析支持   这样就完成了YOLOv5+SE注意力模块的支持，别急，我还修改了ECA、CA、GAM、CBAM，显示如下：

    然后统统训练100轮次，跟原来的没有添加注意力机制的对比一下，看看效果怎么样？答案揭晓了，

我只是在SPPF之前的一层添加了注意力模块，只有这个小小的改动！从效果看，基本都可以涨点了…

对比验证结果

100 轮次OID数据集自定义数据，YOLOv5s模型与SE、ECA、CA、CBAM、GAM五种注意力改进模型，mAP指标统计与对比

YOLOv5注意力机制模型部署

然后我还基于以前的测试程序上测试一下，导出ONNX格式，然后通过ONNXRUNTIME进行推理，以SE注意力+YOLOv5s为例，感觉一切顺利。PyQT5 + ONNXRUNTIME, 图示如下：

 

        责任编辑：彭菁