YOLOv8改进 | 模块缝合 | C2f 融合RFAConv和CBAM注意力机制 【二次融合 小白必备】

秋招面试专栏推荐 ：深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转

💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡

专栏目录 ：《YOLOv8改进有效涨点》专栏介绍 & 专栏目录 | 目前已有110+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进——点击即可跳转

空间注意力虽提高卷积神经网络性能，但有局限。本文介绍了感受野注意力（RFA）机制并融合CBAM注意力机制，解决大尺寸卷积核参数共享问题。RFA关注感受野空间特征，为大型卷积核提供有效权重。RFAConv操作几乎不增加计算成本，显著提升网络性能。文章在介绍主要的原理后，将手把手教学如何进行模块的代码添加和修改，并将修改后的完整代码放在文章的最后，方便大家一键运行，小白也可轻松上手实践。以帮助您更好地学习深度学习目标检测YOLO系列的挑战。

专栏地址：YOLOv8改进——更新各种有效涨点方法——点击即可跳转  

目录

1.原理 

2. 将C2f_RFCBAMConv添加到yolov8网络中

2.1 C2f_RFCBAMConv代码实现

2.2 C2f_RFCBAMConv的神经网络模块代码解析 

2.3 更改init.py文件

2.4 添加yaml文件

2.5 注册模块

2.6 执行程序

3. 完整代码分享

4. GFLOPs

5. 进阶

6. 总结

1.原理 

论文地址：RFAConv: Innovating Spatial Attention and Standard Convolutional Operation——点击即可跳转

官方代码：官方代码仓库——点击即可跳转

RFAConv（受体场注意卷积）是一种新颖的卷积运算，旨在解决标准卷积和现有空间注意机制的局限性，特别是在参数共享和大型卷积核方面。

RFAConv 背后的关键原则：

  1. 受体场空间特征：与专注于单个空间特征的传统空间注意不同，RFAConv 强调受体场空间特征，这些特征是根据卷积核的大小动态生成的。这种方法通过关注受体场内不同特征的重要性来增强特征提取。

  2. 解决参数共享问题：在标准卷积中，内核参数在整个输入中共享，限制了网络跨空间位置捕获不同信息的能力。RFAConv 通过将注意力机制与卷积相结合来解决此问题，为每个受体场创建非共享参数。

  3. 注意力机制集成：RFAConv 集成了一种注意力机制，该机制为接受场中的每个特征分配重要性，使网络能够专注于最重要的信息。此过程避免了 CBAM 和 CA 等传统注意力机制的局限性，这些机制在不同空间区域之间共享注意力权重。

  4. 高效轻量：尽管引入了注意力机制，但 RFAConv 仅增加了极少的计算开销和参数。它还使用组卷积等技术来高效提取接受场空间特征，使其适用于实时应用。

  5. 性能提升：通过解决空间注意力和卷积参数共享的局限性，RFAConv 增强了神经网络在分类、对象检测和分割等任务中的性能，在许多情况下优于 CBAM 和 CA 等其他基于注意力的方法。

综上所述，RFAConv 通过关注感受野空间特征进行创新，提供了一种更灵活、更强大的方法来替代标准卷积，同时保持效率并提高网络性能。

2. 将C2f_RFCBAMConv添加到yolov8网络中

2.1 C2f_RFCBAMConv代码实现

关键步骤一: 将下面代码粘贴到在/ultralytics/ultralytics/nn/modules/block.py中，并在该文件的__all__中添加“C2f_RFCBAMConv”


from einops import rearrangeclass h_sigmoid(nn.Module):def __init__(self, inplace=True):super(h_sigmoid, self).__init__()self.relu = nn.ReLU6(inplace=inplace)def forward(self, x):return self.relu(x + 3) / 6class h_swish(nn.Module):def __init__(self, inplace=True):super(h_swish, self).__init__()self.sigmoid = h_sigmoid(inplace=inplace)def forward(self, x):return x * self.sigmoid(x)class RFAConv(nn.Module):def __init__(self,in_channel,out_channel,kernel_size,stride=1):super().__init__()self.kernel_size = kernel_sizeself.get_weight = nn.Sequential(nn.AvgPool2d(kernel_size=kernel_size, padding=kernel_size // 2, stride=stride),nn.Conv2d(in_channel, in_channel * (kernel_size ** 2), kernel_size=1, groups=in_channel,bias=False))self.generate_feature = nn.Sequential(nn.Conv2d(in_channel, in_channel * (kernel_size ** 2), kernel_size=kernel_size,padding=kernel_size//2,stride=stride, groups=in_channel, bias=False),nn.BatchNorm2d(in_channel * (kernel_size ** 2)),nn.ReLU())# self.conv = nn.Sequential(nn.Conv2d(in_channel, out_channel, kernel_size=kernel_size, stride=kernel_size),#                           nn.BatchNorm2d(out_channel),#                           nn.ReLU())self.conv = Conv(in_channel, out_channel, k=kernel_size, s=kernel_size, p=0)def forward(self,x):b,c = x.shape[0:2]weight =  self.get_weight(x)h,w = weight.shape[2:]weighted = weight.view(b, c, self.kernel_size ** 2, h, w).softmax(2)  # b c*kernel**2,h,w ->  b c k**2 h w feature = self.generate_feature(x).view(b, c, self.kernel_size ** 2, h, w)  #b c*kernel**2,h,w ->  b c k**2 h w  weighted_data = feature * weightedconv_data = rearrange(weighted_data, 'b c (n1 n2) h w -> b c (h n1) (w n2)', n1=self.kernel_size, # b c k**2 h w ->  b c h*k w*kn2=self.kernel_size)return self.conv(conv_data)class SE(nn.Module):def __init__(self, in_channel, ratio=16):super(SE, self).__init__()self.gap = nn.AdaptiveAvgPool2d((1, 1))self.fc = nn.Sequential(nn.Linear(in_channel, ratio, bias=False),  # 从 c -> c/rnn.ReLU(),nn.Linear(ratio, in_channel, bias=False),  # 从 c/r -> cnn.Sigmoid())def forward(self, x):b, c= x.shape[0:2]y = self.gap(x).view(b, c)y = self.fc(y).view(b, c,1, 1)return yclass RFCBAMConv(nn.Module):def __init__(self,in_channel,out_channel,kernel_size=3,stride=1):super().__init__()if kernel_size % 2 == 0:assert("the kernel_size must be  odd.")self.kernel_size = kernel_sizeself.generate = nn.Sequential(nn.Conv2d(in_channel,in_channel * (kernel_size**2),kernel_size,padding=kernel_size//2,stride=stride,groups=in_channel,bias =False),nn.BatchNorm2d(in_channel * (kernel_size**2)),nn.ReLU())self.get_weight = nn.Sequential(nn.Conv2d(2,1,kernel_size=3,padding=1,bias=False),nn.Sigmoid())self.se = SE(in_channel)# self.conv = nn.Sequential(nn.Conv2d(in_channel,out_channel,kernel_size,stride=kernel_size),nn.BatchNorm2d(out_channel),nn.ReLu())self.conv = Conv(in_channel, out_channel, k=kernel_size, s=kernel_size, p=0)def forward(self,x):b,c = x.shape[0:2]channel_attention =  self.se(x)generate_feature = self.generate(x)h,w = generate_feature.shape[2:]generate_feature = generate_feature.view(b,c,self.kernel_size**2,h,w)generate_feature = rearrange(generate_feature, 'b c (n1 n2) h w -> b c (h n1) (w n2)', n1=self.kernel_size,n2=self.kernel_size)unfold_feature = generate_feature * channel_attentionmax_feature,_ = torch.max(generate_feature,dim=1,keepdim=True)mean_feature = torch.mean(generate_feature,dim=1,keepdim=True)receptive_field_attention = self.get_weight(torch.cat((max_feature,mean_feature),dim=1))conv_data = unfold_feature  * receptive_field_attentionreturn self.conv(conv_data)class RFCAConv(nn.Module):def __init__(self, inp, oup, kernel_size, stride=1, reduction=32):super(RFCAConv, self).__init__()self.kernel_size = kernel_sizeself.generate = nn.Sequential(nn.Conv2d(inp,inp * (kernel_size**2),kernel_size,padding=kernel_size//2,stride=stride,groups=inp,bias =False),nn.BatchNorm2d(inp * (kernel_size**2)),nn.ReLU())self.pool_h = nn.AdaptiveAvgPool2d((None, 1))self.pool_w = nn.AdaptiveAvgPool2d((1, None))mip = max(8, inp // reduction)self.conv1 = nn.Conv2d(inp, mip, kernel_size=1, stride=1, padding=0)self.bn1 = nn.BatchNorm2d(mip)self.act = h_swish()self.conv_h = nn.Conv2d(mip, inp, kernel_size=1, stride=1, padding=0)self.conv_w = nn.Conv2d(mip, inp, kernel_size=1, stride=1, padding=0)self.conv = nn.Sequential(nn.Conv2d(inp,oup,kernel_size,stride=kernel_size))def forward(self, x):b,c = x.shape[0:2]generate_feature = self.generate(x)h,w = generate_feature.shape[2:]generate_feature = generate_feature.view(b,c,self.kernel_size**2,h,w)generate_feature = rearrange(generate_feature, 'b c (n1 n2) h w -> b c (h n1) (w n2)', n1=self.kernel_size,n2=self.kernel_size)x_h = self.pool_h(generate_feature)x_w = self.pool_w(generate_feature).permute(0, 1, 3, 2)y = torch.cat([x_h, x_w], dim=2)y = self.conv1(y)y = self.bn1(y)y = self.act(y) h,w = generate_feature.shape[2:]x_h, x_w = torch.split(y, [h, w], dim=2)x_w = x_w.permute(0, 1, 3, 2)a_h = self.conv_h(x_h).sigmoid()a_w = self.conv_w(x_w).sigmoid()return self.conv(generate_feature * a_w * a_h)class Bottleneck_RFAConv(Bottleneck):"""Standard bottleneck with RFAConv."""def __init__(self, c1, c2, shortcut=True, g=1, k=(3, 3), e=0.5):  # ch_in, ch_out, shortcut, groups, kernels, expandsuper().__init__(c1, c2, shortcut, g, k, e)c_ = int(c2 * e)  # hidden channelsself.cv1 = Conv(c1, c_, k[0], 1)self.cv2 = RFAConv(c_, c2, k[1])class C3_RFAConv(C3):def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5):super().__init__(c1, c2, n, shortcut, g, e)c_ = int(c2 * e)  # hidden channelsself.m = nn.Sequential(*(Bottleneck_RFAConv(c_, c_, shortcut, g, k=(1, 3), e=1.0) for _ in range(n)))class C2f_RFAConv(C2f):def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5):super().__init__(c1, c2, n, shortcut, g, e)self.m = nn.ModuleList(Bottleneck_RFAConv(self.c, self.c, shortcut, g, k=(3, 3), e=1.0) for _ in range(n))class Bottleneck_RFCBAMConv(Bottleneck):"""Standard bottleneck with RFCBAMConv."""def __init__(self, c1, c2, shortcut=True, g=1, k=(3, 3), e=0.5):  # ch_in, ch_out, shortcut, groups, kernels, expandsuper().__init__(c1, c2, shortcut, g, k, e)c_ = int(c2 * e)  # hidden channelsself.cv1 = Conv(c1, c_, k[0], 1)self.cv2 = RFCBAMConv(c_, c2, k[1])class C3_RFCBAMConv(C3):def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5):super().__init__(c1, c2, n, shortcut, g, e)c_ = int(c2 * e)  # hidden channelsself.m = nn.Sequential(*(Bottleneck_RFCBAMConv(c_, c_, shortcut, g, k=(1, 3), e=1.0) for _ in range(n)))class C2f_RFCBAMConv(C2f):def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5):super().__init__(c1, c2, n, shortcut, g, e)self.m = nn.ModuleList(Bottleneck_RFCBAMConv(self.c, self.c, shortcut, g, k=(3, 3), e=1.0) for _ in range(n))

2.2 C2f_RFCBAMConv的神经网络模块代码解析 

C2f_RFCBAMConv 类通过将 CBAM（卷积块注意力机制）集成到一个瓶颈结构中，扩展了 C2f 模块。

主要组成部分：

  1. C2f 模块：

    • C2f 是YOLOv8的模块，允许在神经网络中灵活组合通道。通常，它会将输入分成多个分支进行处理，最后将它们合并。

    • 在这里，它使用了 Bottleneck_RFCBAMConv 结构，这个结构包含了多个 Bottleneck_RFCBAMConv 块。

  2. Bottleneck_RFCBAMConv：

    • 这是一个集成了 CBAM 机制的瓶颈块，其中 "RFCBAMConv" 代表“带 CBAM 的残差特征卷积”。

    • Bottleneck（瓶颈块）：执行典型的瓶颈变换，首先减少通道数，然后再扩展。这通常用于残差网络（ResNet）中。

    • RFCBAMConv：假设 RFCBAMConv 集成了 CBAM，一种通过通道注意力和空间注意力来增强特征表示的机制。

CBAM（卷积块注意力机制）：

CBAM 是一种注意力机制，通过关注重要的空间位置和特征通道来增强特征表达。它由两个主要部分组成：

  • 通道注意力：通过学习每个通道的权重，优先处理重要的通道。通常通过全局池化然后通过一个小型神经网络来计算注意力权重。

  • 空间注意力：通过在特征图的空间维度（高度和宽度）上应用注意力，专注于相关的空间位置。

C2f_RFCBAMConv 的流程：

  1. 输入处理：首先将输入通道 c1 传入 Conv 层（cv1），通道数被减少到中间通道数 c_。

  2. RFCBAMConv 应用：然后将减少后的特征图传入 RFCBAMConv 块，在其中应用 CBAM 注意力机制。该块会先应用通道和空间注意力，然后进行卷积操作。

  3. 输出：在注意力机制作用后，生成处理后的输出特征图。

因此，C2f_RFCBAMConv 将基于 CBAM 的瓶颈注意力机制集成到 C2f 架构中，增强了卷积过程中对特征提取的通道和空间聚焦。

2.3 更改init.py文件

关键步骤二：修改modules文件夹下的__init__.py文件，先导入函数    

 然后在下面的__all__中声明函数  

2.4 添加yaml文件

关键步骤三：在/ultralytics/ultralytics/cfg/models/v8下面新建文件yolov8_C2f_RFCBAMConv.yaml文件，粘贴下面的内容

  •  OD【目标检测】
# 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. 'model=yolov8n.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, RFCBAMConv, [64, 3, 2]]  # 0-P1/2- [-1, 1, RFCBAMConv, [128, 3, 2]]  # 1-P2/4- [-1, 3, C2f_RFCBAMConv, [128, True]]- [-1, 1, RFCBAMConv, [256, 3, 2]]  # 3-P3/8- [-1, 6, C2f_RFCBAMConv, [256, True]]- [-1, 1, RFCBAMConv, [512, 3, 2]]  # 5-P4/16- [-1, 6, C2f_RFCBAMConv, [512, True]]- [-1, 1, RFCBAMConv, [1024, 3, 2]]  # 7-P5/32- [-1, 3, C2f_RFCBAMConv, [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_RFCBAMConv, [512]]  # 12- [-1, 1, nn.Upsample, [None, 2, 'nearest']]- [[-1, 4], 1, Concat, [1]]  # cat backbone P3- [-1, 3, C2f_RFCBAMConv, [256]]  # 15 (P3/8-small)- [-1, 1, RFCBAMConv, [256, 3, 2]]- [[-1, 12], 1, Concat, [1]]  # cat head P4- [-1, 3, C2f_RFCBAMConv, [512]]  # 18 (P4/16-medium)- [-1, 1, RFCBAMConv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]]  # cat head P5- [-1, 3, C2f_RFCBAMConv, [1024]]  # 21 (P5/32-large)- [[15, 18, 21], 1, Detect, [nc]]  # Detect(P3, P4, P5)
  • Seg【语义分割】
# 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. 'model=yolov8n.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, RFCBAMConv, [64, 3, 2]]  # 0-P1/2- [-1, 1, RFCBAMConv, [128, 3, 2]]  # 1-P2/4- [-1, 3, C2f_RFCBAMConv, [128, True]]- [-1, 1, RFCBAMConv, [256, 3, 2]]  # 3-P3/8- [-1, 6, C2f_RFCBAMConv, [256, True]]- [-1, 1, RFCBAMConv, [512, 3, 2]]  # 5-P4/16- [-1, 6, C2f_RFCBAMConv, [512, True]]- [-1, 1, RFCBAMConv, [1024, 3, 2]]  # 7-P5/32- [-1, 3, C2f_RFCBAMConv, [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_RFCBAMConv, [512]]  # 12- [-1, 1, nn.Upsample, [None, 2, 'nearest']]- [[-1, 4], 1, Concat, [1]]  # cat backbone P3- [-1, 3, C2f_RFCBAMConv, [256]]  # 15 (P3/8-small)- [-1, 1, RFCBAMConv, [256, 3, 2]]- [[-1, 12], 1, Concat, [1]]  # cat head P4- [-1, 3, C2f_RFCBAMConv, [512]]  # 18 (P4/16-medium)- [-1, 1, RFCBAMConv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]]  # cat head P5- [-1, 3, C2f_RFCBAMConv, [1024]]  # 21 (P5/32-large)- [[15, 18, 21], 1, Segment, [nc, 32, 256]] # Segment(P3, P4, P5)

温馨提示：因为本文只是对yolov8基础上添加模块，如果要对yolov8n/l/m/x进行添加则只需要指定对应的depth_multiple 和 width_multiple。不明白的同学可以看这篇文章： yolov8yaml文件解读——点击即可跳转  

# YOLOv8n
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.25  # layer channel multiple
max_channels: 1024 # max_channels# YOLOv8s
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
max_channels: 1024 # max_channels# YOLOv8l 
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
max_channels: 512 # max_channels# YOLOv8m
depth_multiple: 0.67  # model depth multiple
width_multiple: 0.75  # layer channel multiple
max_channels: 768 # max_channels# YOLOv8x
depth_multiple: 1.33  # model depth multiple
width_multiple: 1.25  # layer channel multiple
max_channels: 512 # max_channels

2.5 注册模块

关键步骤四：在task.py的parse_model函数中注册

2.6 执行程序

在train.py中，将model的参数路径设置为yolov8_C2f_RFCBAMConv.yaml的路径

建议大家写绝对路径，确保一定能找到 

from ultralytics import YOLO
import warnings
warnings.filterwarnings('ignore')
from pathlib import Pathif __name__ == '__main__':# 加载模型model = YOLO("ultralytics/cfg/v8/yolov8.yaml")  # 你要选择的模型yaml文件地址# Use the modelresults = model.train(data=r"你的数据集的yaml文件地址",epochs=100, batch=16, imgsz=640, workers=4, name=Path(model.cfg).stem)  # 训练模型

🚀运行程序，如果出现下面的内容则说明添加成功🚀 

                   from  n    params  module                                       arguments0                  -1  1       875  ultralytics.nn.modules.block.RFCBAMConv      [3, 16, 3, 2]1                  -1  1      6786  ultralytics.nn.modules.block.RFCBAMConv      [16, 32, 3, 2]2                  -1  1      9474  ultralytics.nn.modules.block.C2f_RFCBAMConv  [32, 32, 1, True]3                  -1  1     22770  ultralytics.nn.modules.block.RFCBAMConv      [32, 64, 3, 2]4                  -1  2     58084  ultralytics.nn.modules.block.C2f_RFCBAMConv  [64, 64, 2, True]5                  -1  1     82386  ultralytics.nn.modules.block.RFCBAMConv      [64, 128, 3, 2]6                  -1  2    214436  ultralytics.nn.modules.block.C2f_RFCBAMConv  [128, 128, 2, True]7                  -1  1    312210  ultralytics.nn.modules.block.RFCBAMConv      [128, 256, 3, 2]8                  -1  1    477074  ultralytics.nn.modules.block.C2f_RFCBAMConv  [256, 256, 1, True]9                  -1  1    164608  ultralytics.nn.modules.block.SPPF            [256, 256, 5]10                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']11             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]12                  -1  1    156626  ultralytics.nn.modules.block.C2f_RFCBAMConv  [384, 128, 1]13                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']14             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]15                  -1  1     41458  ultralytics.nn.modules.block.C2f_RFCBAMConv  [192, 64, 1]16                  -1  1     45394  ultralytics.nn.modules.block.RFCBAMConv      [64, 64, 3, 2]17            [-1, 12]  1         0  ultralytics.nn.modules.conv.Concat           [1]18                  -1  1    132050  ultralytics.nn.modules.block.C2f_RFCBAMConv  [192, 128, 1]19                  -1  1    164498  ultralytics.nn.modules.block.RFCBAMConv      [128, 128, 3, 2]20             [-1, 9]  1         0  ultralytics.nn.modules.conv.Concat           [1]21                  -1  1    509842  ultralytics.nn.modules.block.C2f_RFCBAMConv  [384, 256, 1]22        [15, 18, 21]  1    897664  ultralytics.nn.modules.head.Detect           [80, [64, 128, 256]]
YOLOv8_C2f_RFCBAMConv summary: 480 layers, 3296235 parameters, 3296219 gradients

3. 完整代码分享

https://pan.baidu.com/s/1NOYgkQJjZfyBh4igJAZNqw?pwd=7hxv

 提取码: 7hxv 

4. GFLOPs

关于GFLOPs的计算方式可以查看：百面算法工程师 | 卷积基础知识——Convolution

未改进的YOLOv8nGFLOPs

img

改进后的GFLOPs

手里的没有卡了，需要的同学自己测一下吧

5. 进阶

可以与其他的注意力机制或者损失函数等结合，进一步提升检测效果

6. 总结

C2f_RFCBAMConv 是一个自定义神经网络模块，它将 CBAM（卷积块注意力机制）集成到 C2f 结构的瓶颈块中，增强了模型的特征提取能力。它首先通过瓶颈层减少输入通道数，再应用 CBAM 注意力机制，该机制通过通道注意力和空间注意力分别关注重要的特征通道和空间位置，最终提高模型在处理复杂图像时的特征表达能力。整个过程包括先对输入进行卷积处理，然后使用 CBAM 进行特征增强，最后输出增强后的特征图，进一步提高了网络的表达能力和精度。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/422701.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

自动化任务的错误处理：编写健壮的自动化脚本，处理Office应用中的错误和异常情况

自动化任务的错误处理：编写健壮的自动化脚本，处理Office应用中的错误和异常情况

目录 引言 一、自动化任务概述 二、自动化脚本编写基础 2.1 环境准备 2.2 脚本结构 2.3 示例代码 三、Office应用中的错误和异常情况处理 3.1 文件访问权限问题 3.2 文件格式不兼容 3.3 宏病毒和安全性问题 3.4 控件错误和插件问题 四、异常处理与日志记录 4.1 捕…
阅读更多...
FPGA技术赋能云数据中心：提高性能与效率

FPGA技术赋能云数据中心：提高性能与效率

随着现代科技的迅猛发展和大数据时代的推动，云数据中心已成为众多企业的核心基础设施。然而，伴随数据处理需求的不断增长，传统硬件架构在性能、功耗和灵活性方面面临诸多挑战。为了解决这些问题，FPGA（现场可编程门阵列…
阅读更多...
通信工程学习：什么是MRF多媒体资源功能、MRFC多媒体资源功能控制、MRFP多媒体资源功能处理

通信工程学习：什么是MRF多媒体资源功能、MRFC多媒体资源功能控制、MRFP多媒体资源功能处理

一、MRF多媒体资源功能 MRF（Multimedia Resource Function，多媒体资源功能）是3G/IMS网络中定义的提供多媒体资源功能的网络实体，它为3G/IMS网络的业务和承载提供媒体能力支持。MRF通过提供丰富的媒体处理功能，如播放声…
阅读更多...
严重干扰的验证码识别系统源码分享

严重干扰的验证码识别系统源码分享

严重干扰的验证码识别检测系统源码分享 [一条龙教学YOLOV8标注好的数据集一键训练_70全套改进创新点发刊_Web前端展示] 1.研究背景与意义 项目参考AAAI Association for the Advancement of Artificial Intelligence 项目来源AACV Association for the Advancement of Comp…
阅读更多...
桥接网络设置多用户lxd容器

桥接网络设置多用户lxd容器

文章目录 配置宿主机网络固定内核版本安装 lxd、zfs 及 bridge-utils安装宿主机显卡驱动lxd 初始化创建容器模板安装容器显卡驱动复制容器 配置宿主机网络 进入 /etc/netplan/ 目录有一个 yaml 配置文件，下面的命令需要根据自己的 yaml 文件名称自行修改&#xff1…
阅读更多...
ClassLoader中各个字段意思

ClassLoader中各个字段意思

ClassLoader（类加载器）是JVM（Java虚拟机）中一个非常重要的组件，它主要负责将Java类文件（.class文件）加载到JVM的内存中，并对其进行验证、准备、解析和初始化。ClassLoader中的字段就…
阅读更多...
CPU 和 GPU：为什么GPU更适合深度学习？

CPU 和 GPU：为什么GPU更适合深度学习？

目录 什么是 CPU ？ 什么是 GPU ？ GPU vs CPU 差异性对比分析 GPU 是如何工作的 ？ GPU 与 CPU 是如何协同工作的 ？ GPU vs CPU 类型解析 GPU 应用于深度学习 什么是 CPU ？ CPU（中央处理器）…
阅读更多...
美团面试：Redis锁如何续期？Redis锁超时，任务没完怎么办？

美团面试：Redis锁如何续期？Redis锁超时，任务没完怎么办？

尼恩说在前面 在40岁老架构师 尼恩的读者交流群(50)中，最近有小伙伴拿到了一线互联网企业如得物、阿里、滴滴、极兔、有赞、希音、百度、网易、美团的面试资格，遇到很多很重要的面试题： Redis分布式锁，过期怎么办？ 如…
阅读更多...
pod被驱逐追溯根因

pod被驱逐追溯根因

背景 收到pod报警，看到其状态是error，新的pod又在另外一台机器上起来了。 原因分析 describe pod看到pod被驱逐 Status: Failed Reason: Evicted Message: The node was low on resource: ephemeral-storage. Containe…
阅读更多...
VulnHub DC-1-DC-7靶机WP

VulnHub DC-1-DC-7靶机WP

VulnHub DC系列靶机：https://vulnhub.com/series/dc,199/ # VulnHub DC-1 nmap开路获取信息 Nmap scan report for 192.168.106.133 Host is up (0.00017s latency). Not shown: 997 closed ports PORT STATE SERVICE 22/tcp open ssh 80/tcp open http 1…
阅读更多...
用手机剪辑视频素材从哪里找？用手机视频素材库分享

用手机剪辑视频素材从哪里找？用手机视频素材库分享

如何找到优质的视频剪辑素材呢？这里有几个提供高质量视频素材的优秀网站，帮助你的视频制作更上一层楼。 蛙学网 蛙学网是视频素材领域的佼佼者，提供了从自然风景到城市生活，再到动物世界的广泛视频素材。蛙学网的素材种类丰富&am…
阅读更多...
语音克隆神器GPT-Sovits-V2 Mac版整合包！

语音克隆神器GPT-Sovits-V2 Mac版整合包！

语音克隆神器GPT-Sovits-V2 Mac版整合包！ Mac M1/M2/M3芯片福音！语音克隆神器GPT-Sovits-V2整合包来了！ AI语音克隆黑科技，Mac也能轻松玩转！ 还在羡慕别人用AI语音克隆技术？还在苦恼Mac配置环境的复杂&am…
阅读更多...
Mysql连接不上的问题？

Mysql连接不上的问题？

Mysql服务器本地能访问，但是外部连接报错如下：显然我也知道这就是一个权限问题，但是在网上百度的方法要么就是不生效，要么就是执行命令报错，很抓狂～这里提供精准的解决方案：SELECT User, Host F…
阅读更多...
Linux的历史，版本，Linux的环境安装、简单学习4个基本的Linux指令、创建普通用户等的介绍

Linux的历史，版本，Linux的环境安装、简单学习4个基本的Linux指令、创建普通用户等的介绍

文章目录 前言一、Linux的历史二、版本三、Linux的环境安装1. 腾讯云服务器的申请2. xshell的安装与使用 四、 简单学习4个基本的Linux指令1. ls2. pwd3. mkdir4. cd 五、创建普通用户总结 前言 Linux的历史，版本，Linux的环境安装、简单学习4个基本的Li…
阅读更多...
OPENAIGC开发者大赛企业组银奖 | Gambit-AI智能合同审核助手

OPENAIGC开发者大赛企业组银奖 | Gambit-AI智能合同审核助手

在第二届拯救者杯OPENAIGC开发者大赛中，涌现出一批技术突出、创意卓越的作品。为了让这些优秀项目被更多人看到，我们特意开设了优秀作品报道专栏，旨在展示其独特之处和开发者的精彩故事。 无论您是技术专家还是爱好者，希望能带给您…
阅读更多...
机器学习--支持向量机（SVM）

机器学习--支持向量机（SVM）

支持向量机(线性) S V M SVM SVM 引入 S V M SVM SVM 用于解决的问题也是 c l a s s i f i c a t i o n classification classification，这里 y ∈ { − 1 , 1 } y \in \{-1, 1\} y∈{−1,1} 比如说这样一个需要分类的训练数据： 我们可以有很多直线来…
阅读更多...
最新kubernetes的安装填坑之旅(新手篇)

最新kubernetes的安装填坑之旅(新手篇)

Kubernetes（常简称为 K8s）是一个开源的容器编排平台，用于自动化部署、扩展和管理容器化应用程序，lz也不知道哪根脑经秀逗了，竟然妄挑战学习一下，结果折戟沉沙，被折腾的欲仙欲死，不过…
阅读更多...
安卓学习笔记-unity调用原生opencv的sdk

安卓学习笔记-unity调用原生opencv的sdk

unity调用原生opencv的sdk 问题描述解决思路解决过程准备工作opencv安卓原生sdk找到人脸检测的代码，检测成功后发送消息给unityunity接收消息 遇到的问题问题一问题二问题三 如何解决遇到的问题问题一：opencvactivity遮挡unity的界面问题问题二&#xff…
阅读更多...
《OpenCV计算机视觉》—— 对图片进行旋转的两种方法

《OpenCV计算机视觉》—— 对图片进行旋转的两种方法

文章目录 一、用numpy库中的方法对图片进行旋转二、用OpenCV库中的方法对图片进行旋转 一、用numpy库中的方法对图片进行旋转 numpy库中的 np.rot90 函数方法可以对图片进行旋转 代码实现如下： import cv2 import numpy as np# 读取图片 img cv2.imread(wechat.jp…
阅读更多...
Golang | Leetcode Golang题解之第400题第N位数字

Golang | Leetcode Golang题解之第400题第N位数字

题目： 题解： func findNthDigit(n int) int {d : 1for count : 9; n > d*count; count * 10 {n - d * countd}index : n - 1start : int(math.Pow10(d - 1))num : start index/ddigitIndex : index % dreturn num / int(math.Pow10(d-digitIndex-1)…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023