YOLOv5改進之添加SE註意力機制的詳細過程

Posted on by

前言：

作為當前先進的深度學習目標檢測算法YOLOv5，已經集合瞭大量的trick，但是在處理一些復雜背景問題的時候，還是容易出現錯漏檢的問題。此後的系列文章，將重點對YOLOv5的如何改進進行詳細的介紹，目的是為瞭給那些搞科研的同學需要創新點或者搞工程項目的朋友需要達到更好的效果提供自己的微薄幫助和參考。

解決問題：

加入SE通道註意力機制，可以讓網絡更加關註待檢測目標，提高檢測效果

SE模塊的原理和結構

添加方法：

第一步：確定添加的位置，作為即插即用的註意力模塊，可以添加到YOLOv5網絡中的任何地方。本文以添加進C3模塊中為例。

第二步：common.py構建融入se模塊的C3,與原C3模塊不同的是，該模塊中的bottleneck中融入se模塊。這樣添加主要為瞭更好的做實驗。

class seC3(nn.Module):
    # CSP Bottleneck with 3 convolutions
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion
        super(seC3, self).__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c1, c_, 1, 1)
        self.cv3 = Conv(2 * c_, c2, 1)  # act=FReLU(c2)
        self.m = nn.Sequential(*[seBottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)])
        # self.m = nn.Sequential(*[CrossConv(c_, c_, 3, 1, g, 1.0, shortcut) for _ in range(n)])
 
    def forward(self, x):
        return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), dim=1))
 
class seBottleneck(nn.Module):
    # Standard bottleneck
    def __init__(self, c1, c2, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, shortcut, groups, expansion
        super(seBottleneck, self).__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_, c2, 3, 1, g=g)
        self.add = shortcut and c1 == c2
        self.avgpool = nn.AdaptiveAvgPool2d(1)
        self.l1 = nn.Linear(c1, c1 // 4, bias=False)
        self.relu = nn.ReLU(inplace=True)
        self.l2 = nn.Linear(c1 // 4, c1, bias=False)
        self.sig = nn.Sigmoid()
 
    def forward(self, x):
        x = self.cv1(x)
        b, c, _, _ = x.size()
        y = self.avgpool(x).view(b, c)
        y = self.l1(y)
        y = self.relu(y)
        y = self.l2(y)
        y = self.sig(y)
        y = y.view(b, c, 1, 1)
        x = x * y.expand_as(x)
        return x + self.cv2(x) if self.add else self.cv2(self.cv1(x))

第三步：yolo.py中註冊我們進行修改的seC3

        if m in [Conv, GhostConv, Bottleneck, Bottleneck_cot,TransformerC3,GhostBottleneck, SPP, DWConv, MixConv2d, Focus, CrossConv, BottleneckCSP,
                 C3,seC3]:
            c1, c2 = ch[f], args[0]
            if c2 != no:  # if not output
                c2 = make_divisible(c2 * gw, 8)
            args = [c1, c2, *args[1:]]
            if m in [BottleneckCSP, seC3]:
                args.insert(2, n)  # number of repeats
                n = 1

第四步：修改yaml文件，本文以修改主幹特征提取網絡為例，將原C3模塊改為seC3即可。

第五步：將train.py中改為本文的yaml文件即可，開始訓練。

結果：

本人在多個數據集上做瞭大量實驗，針對不同的數據集效果不同，同一個數據集的不同添加位置方法也是有差異，需要大傢進行實驗。有效果有提升的情況占大多數。

PS：SE通道註意力機制，參數量引入較少，不僅僅是可以添加進YOLOv5，也可以添加進任何其他的深度學習網絡，不管是分類還是檢測還是分割，主要是計算機視覺領域，都可能會有不同程度的提升效果。

總結

到此這篇關於YOLOv5改進之添加SE註意力機制的文章就介紹到這瞭,更多相關YOLOv5添加SE註意力機制內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：