2.CBAM:通道注意力和空间注意力的集成者 轻量级的卷积注意力模块,它结合了通道和空间的注意力机制模块 论文题目:《CBAM: Convolutional Block Attention Module》论文地址: https://arxiv.org/pdf/1807.06521.pdf 上图可以看到,CBAM包含CAM(Channel Attention Module)和SAM(Spartial Attention Module)两个子模块,分别...
Upsample, [None, 2, 'nearest']] - [[-1, 4], 1, Concat, [1]] # cat backbone P3 - [-1, 3, C2f_Faster, [256]] # 15 (P3/8-small) - [-1, 1, Conv, [256, 3, 2]] - [[-1, 12], 1, Concat, [1]] # cat head P4 - [-1, 3, C2f_Faster, [512]] # 18 (...
head: - [-1, 1, nn.Upsample, [None, 2, "nearest"]] - [[-1, 6], 1, Concat, [1]] - [-1, 3, C2f, [512]] - [-1, 1, nn.Upsample, [None, 2, "nearest"]] - [[-1, 4], 1, Concat, [1]] - [-1, 3, C2f, [256]] - [-1, 1, Conv, [256, 3, 2]] -...
__init__ 方法初始化了三个卷积层 cv1, cv2, cv3 和一个上采样层 upsample。上采样层使用转置卷积来增加特征图的空间尺寸。 forward 方法定义了数据如何通过网络流动。输入 x 首先通过 cv1,然后是上采样层,接着是 cv2,最后通过 cv3 来生成分割掩码。 Proto 模块的设计使其成为一个功能强大且灵活的组件,可...
Backbone:多层Conv、C2f_SCConv、CoordAtt模块交替使用,增强了特征提取和空间注意力能力。 Head:通过Upsample、Concat和多次卷积操作,在不同的特征图层次上进行优化和融合,提升了检测精度。 最终输出:在P3、P4和P5三个尺度上进行多尺度的目标检测,有效地提高了对不同尺寸目标的检测能力。
Backbone:ConvModule(Layer0)-P1ConvModule(Layer1)-P2ConvModule(Layer2)C2f(Layer3)ConvModule(Layer4)-P3C2f(Layer5)ConvModule(Layer6)-P4C2f(Layer7)SPPF(Layer9)Neck:Upsample(Layer10)Concat(Layer11)C2f(Layer12)Upsample(Layer13)Concat(Layer14)C2f(Layer15)ConvModule(Layer16)Concat(Layer17)C2f...
- [-1,1, nn.Upsample, [None,2,"nearest"]] - [[-1,6],1,Concat, [1]] # cat backboneP4- [-1,3,C2f, [512]] #12- [-1,1, nn.Upsample, [None,2,"nearest"]] - [[-1,4],1,Concat, [1]] # cat backboneP3- [-1,3,C2f, [256]] #15(P3/8-small) ...
表示该模块的输入来源,如果为-1则表示来自于上一个模块中,如果为其他具体的值则表示从特定的模块中得到输入信息,为列表如[-1,6]则表示来自上一层和第6层;将所有的模块添加到visio软件中,一共有7个Conv,8个C2f,1个SPPF,2个Upsample,4个Concat,3个Detect,全部添加如下图,每个不同的模块可以设置不同的颜色...
- [-1, 1, nn.Upsample, [None, 2, 'nearest']] - [[-1, 6], 1, Concat, [1]] # cat backbone P4 - [-1, 3, C2f, [512]] # 12 - [-1, 1, nn.Upsample, [None, 2, 'nearest']] - [[-1, 4], 1, Concat, [1]] # cat backbone P3 ...
[512, 512, 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 591360 ultralytics.nn.modules.block.C2f [768, 256, 1] 13 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest...