yolov8学习笔记（三）添加注意力机制+源码简单了解

一、前言

二、注意力机制添加

三、源码简单了解

1、YOLO类中的——私有Model类

2、在哪来初始化的网络模型

3、注释版下载

4、笔记下载

一、前言

因为我没有学过pytorch，所以看源码也是一头雾水，不过大概看懂的是yolo是对pytorch的再次封装，封装得很好，让我们无需对pytorch了解，也可以快速上手，训练自己的模型，进行目标检测！还可以获得不错的检测效果。

我简单过了一遍源码，再去添加注意力机制的时候，就明白了许多，知道为什么要添加

下一次添加的时候，我也知道哪几个地方需要修改了

所以，建议没有看过yolo源码的话，还是建议看看，不然跟着改注意力容易出错哟！

注意力机制是比较好添加的，反正我也了解，直接跟着博主们的教程修改就完事了

然后去跑模型，看看有没有涨点，涨了就好，没有涨的话，就换一个注意力机制教程~

（我这是急于求成）（我只想水一个毕设）（┭┮﹏┭┮）

二、注意力机制添加

1、什么是注意力机制：

什么是 Attention（注意力机制）？【知多少】_哔哩哔哩_bilibili

2、引子（先跟着教学视频修改）：

注意力机制添加总结_哔哩哔哩_bilibili

这里我跟着博主修改了，完全没有问题，用的yolo自带的注意力机制

3、添加ShuffleAttention、ECA、EffectiveSE、SE：

Yolov8改进---注意力机制：ShuffleAttention、ECA、EffectiveSE、SE - 知乎

我改了一个ShuffleAttention，完美运行

4、添加EMA：

YOLOv8改进:添加EMA注意力机制_efficient multi-scale attention module with cross--CSDN博客文章浏览阅读4.1k次，点赞6次，收藏84次。用YOLOv5x作为骨干CNN在VisDrone数据集上进行目标检测，其中CA, CBAM和EMA注意力分别集成到检测器中。从表2的结果可以看出，CA, CBAM和EMA都可以提高目标检测的基线性能。/EMA.py文件中新建一个名为EMA.py文件，将下述代码复制到EMA.py文件中并保存。本文提出了一种新的跨空间学习方法，并设计了一个多尺度并行子网络来建立短和长依赖关系。EMA的位置可以改变，看个人的数据集效果，改注意编号的变化。运行的时候看框架可以看到EMA说明添加成功。录用：ICASSP2023。_efficient multi-scale attention module with cross-spatial learninghttps://blog.csdn.net/ShawN1022/article/details/132854884

这个我用了，涨点了，涨了5个点，所以我就用这个了

5、还有其他的可以去github上找找，还有好几个，我找不到了

三、源码简单了解

YOLOv8模型详细解释，逐行debug讲解：

YOLOv8模型详细解释，逐行debug讲解，真的太细了，小白也能听懂！！！后续将更改网络模型结构。_哔哩哔哩_bilibili

这个视频直接开始讲yolo里面的网络模型如何读配置的
然而没有提到yolo的一个高内聚！
也就是yolo的所有调用都是从这里进入的！（下图所示）

yolo用了python中许多的魔术方法，很难理解，我都是靠chatGPT慢慢翻译，强行理解

唉，路漫漫其修远兮啊！