YOLOv8目标检测优化：添加GAM注意力机制与Wise-IoU提升检测效果

YOLOv8目标检测优化：添加GAM注意力机制与Wise-IoU提升检测效果

引用

CSDN

1.

https://m.blog.csdn.net/m0_67647321/article/details/136749585

YOLOv8是目前最流行的目标检测模型之一，为了进一步提升其检测效果，本文将介绍如何在YOLOv8中添加GAM注意力机制和Wise-IoU。通过这些改进，可以有效提升模型的检测精度。本文将从基本原理出发，详细阐述通道注意力机制和空间注意力机制，并提供相应的代码实现。此外，还将分享完整的yaml配置文件和代码，帮助读者快速上手。

摘要

人们已经研究了各种注意力机制来提高各种计算机视觉任务的性能。然而，现有方法忽视了保留通道和空间方面的信息以增强跨维度交互的重要性。因此，我们提出了一种全局注意力机制，通过减少信息减少和放大全局交互表示来提高深度神经网络的性能。引入了具有多层感知器的 3D 排列，用于通道注意以及卷积空间注意子模块。在 CIFAR-100 和 ImageNet-1K 上对所提出的图像分类任务机制的评估表明，我们的方法稳定优于最近使用 ResNet 和轻量级 MobileNet 的几种注意力机制。

基本原理

目标的设计是一种减少信息缩减并放大全局维度交互特征的机制。我们采用 CBAM 的顺序通道空间注意力机制并重新设计子模块。整个过程如图 所示。

GAM结构图

通道注意力机制

空间注意力机制

GAM代码实现

Wise-IoU

WIoU代码实现

yaml文件编写

完整代码分享（含多种注意力机制）