YOLOV8改进：如何增加注意力模块？（以CBAM模块为例）

  • 前言
    • YOLOV8
      • nn文件夹
        • modules.py
        • task.py
      • models文件夹
      • 总结

前言

因为毕设用到了YOLO，鉴于最近V8刚出，因此考虑将注意力机制加入到v8中。

YOLOV8

代码地址：YOLOV8官方代码

使用pip安装或者clone到本地，在此不多赘述了。下面以使用pip安装ultralytics包为例介绍。
进入ultralytics文件夹

nn文件夹

再进入nn文件夹。

-- modules.py：在里面存放着各种常用的模块，如：Conv，DWConv，ConvTranspose，TransformerLayer，Bottleneck等-- tasks.py: 在里面导入了modules中的基本模块组建model，根据不同的下游任务组建不同的model。

modules.py

在该文件中，我们可以写入自己的注意力模块，或者使用V8已经提供的CBAM模块（见代码的CBAM类）

"""通道注意力模型: 通道维度不变，压缩空间维度。该模块关注输入图片中有意义的信息。1）假设输入的数据大小是(b,c,w,h)2）通过自适应平均池化使得输出的大小变为(b,c,1,1)3）通过2d卷积和sigmod激活函数后，大小是(b,c,1,1)4）将上一步输出的结果和输入的数据相乘，输出数据大小是(b,c,w,h)。"""class ChannelAttention(nn.Module):# Channel-attention module https://github.com/open-mmlab/mmdetection/tree/v3.0.0rc1/configs/rtmdetdef __init__(self, channels: int) -> None:super().__init__()self.pool = nn.AdaptiveAvgPool2d(1)self.fc = nn.Conv2d(channels, channels, 1, 1, 0, bias=True)self.act = nn.Sigmoid()def forward(self, x: torch.Tensor) -> torch.Tensor:return x * self.act(self.fc(self.pool(x)))"""空间注意力模块：空间维度不变，压缩通道维度。该模块关注的是目标的位置信息。1） 假设输入的数据x是(b,c,w,h)，并进行两路处理。2）其中一路在通道维度上进行求平均值，得到的大小是(b,1,w,h)；另外一路也在通道维度上进行求最大值，得到的大小是(b,1,w,h)。3） 然后对上述步骤的两路输出进行连接，输出的大小是(b,2,w,h)4）经过一个二维卷积网络，把输出通道变为1，输出大小是(b,1,w,h)4）将上一步输出的结果和输入的数据x相乘，最终输出数据大小是(b,c,w,h)。"""class SpatialAttention(nn.Module):# Spatial-attention moduledef __init__(self, kernel_size=7):super().__init__()assert kernel_size in (3, 7), 'kernel size must be 3 or 7'padding = 3 if kernel_size == 7 else 1self.cv1 = nn.Conv2d(2, 1, kernel_size, padding=padding, bias=False)self.act = nn.Sigmoid()def forward(self, x):return x * self.act(self.cv1(torch.cat([torch.mean(x, 1, keepdim=True), torch.max(x, 1, keepdim=True)[0]], 1)))class CBAM(nn.Module):# Convolutional Block Attention Moduledef __init__(self, c1, kernel_size=7):# ch_in, kernelssuper().__init__()self.channel_attention = ChannelAttention(c1)self.spatial_attention = SpatialAttention(kernel_size)def forward(self, x):return self.spatial_attention(self.channel_attention(x))

如果使用V8的CBAM模块，则不需要更改modules.py的内容。如果使用自己的注意力模块，只需要在该文件后面添加对应的代码即可。

task.py

在该文件中，通过import modules.py文件中的模块来构建模型。
在文件开头导入需要的模块，可以看到modules中的很多模块在v8中并没有用到。我们在最后添加对应的CBAM模块。

from ultralytics.nn.modules import (C1, C2, C3, C3TR, SPP, SPPF, Bottleneck, BottleneckCSP, C2f, C3Ghost, C3x, Classify,Concat, Conv, ConvTranspose, Detect, DWConv, DWConvTranspose2d, Ensemble, Focus,GhostBottleneck, GhostConv, Segment, CBAM)

之后修改对应的parse_model方法（对应428行）
添加分支elif m is CBAM:，具体代码如下：

def parse_model(d, ch, verbose=True):# model_dict, input_channels(3)# Parse a YOLO model.yaml dictionaryif verbose:LOGGER.info(f"\n{'':>3}{'from':>20}{'n':>3}{'params':>10}{'module':<45}{'arguments':<30}")nc, gd, gw, act = d['nc'], d['depth_multiple'], d['width_multiple'], d.get('activation')if act:Conv.default_act = eval(act)# redefine default activation, i.e. Conv.default_act = nn.SiLU()if verbose:LOGGER.info(f"{colorstr('activation:')} {act}")# printch = [ch]layers, save, c2 = [], [], ch[-1]# layers, savelist, ch outfor i, (f, n, m, args) in enumerate(d['backbone'] + d['head']):# from, number, module, argsm = eval(m) if isinstance(m, str) else m# eval stringsfor j, a in enumerate(args):# TODO: re-implement with eval() removal if possible# args[j] = (locals()[a] if a in locals() else ast.literal_eval(a)) if isinstance(a, str) else awith contextlib.suppress(NameError):args[j] = eval(a) if isinstance(a, str) else a# eval stringsn = n_ = max(round(n * gd), 1) if n > 1 else n# depth gainif m in (Classify, Conv, ConvTranspose, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, Focus, BottleneckCSP, C1, C2, C2f, C3, C3TR, C3Ghost, nn.ConvTranspose2d, DWConvTranspose2d, C3x):c1, c2 = ch[f], args[0]if c2 != nc:# if c2 not equal to number of classes (i.e. for Classify() output)c2 = make_divisible(c2 * gw, 8)args = [c1, c2, *args[1:]]if m in (BottleneckCSP, C1, C2, C2f, C3, C3TR, C3Ghost, C3x):args.insert(2, n)# number of repeatsn = 1elif m is nn.BatchNorm2d:args = [ch[f]]elif m is Concat:c2 = sum(ch[x] for x in f)elif m in (Detect, Segment):args.append([ch[x] for x in f])if m is Segment:args[2] = make_divisible(args[2] * gw, 8)elif m is CBAM:"""ch[f]:上一层的args[0]:第0个参数c1:输入通道数c2:输出通道数"""c1, c2 = ch[f], args[0]# print("ch[f]:",ch[f])# print("args[0]:",args[0])# print("args:",args)# print("c1:",c1)# print("c2:",c2)if c2 != nc:# if c2 not equal to number of classes (i.e. for Classify() output)c2 = make_divisible(c2 * gw, 8)args = [c1,*args[1:]]else:c2 = ch[f]m_ = nn.Sequential(*(m(*args) for _ in range(n))) if n > 1 else m(*args)# modulet = str(m)[8:-2].replace('__main__.', '')# module typem.np = sum(x.numel() for x in m_.parameters())# number paramsm_.i, m_.f, m_.type = i, f, t# attach index, 'from' index, typeif verbose:LOGGER.info(f'{i:>3}{str(f):>20}{n_:>3}{m.np:10.0f}{t:<45}{str(args):<30}')# printsave.extend(x % i for x in ([f] if isinstance(f, int) else f) if x != -1)# append to savelistlayers.append(m_)if i == 0:ch = []ch.append(c2)return nn.Sequential(*layers), sorted(save)

注意传入的参数为上一层输出，要注意CBAM模块的参数和传入参数的对应。读者可以自行print比较。

models文件夹

返回上一级目录，进入models文件夹。
可以看到该文件夹中还有v5、v3对应的模型配置文件，所以也可以使用该包进行v5和v3的训练。
进入v8文件夹

打开对应的yolov8.yaml，如下所示。该文件是V8对应的配置文件，里面包括了类别数，模型大小（n,s,m,l,x），backbone和head。

# Ultralytics YOLO , GPL-3.0 license# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parametersnc: 80# number of classesscales: # 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 backbonebackbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]]# 0-P1/2- [-1, 1, Conv, [128, 3, 2]]# 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]]# 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, Conv, [512, 3, 2]]# 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, Conv, [1024, 3, 2]]# 7-P5/32- [-1, 3, C2f, [1024, True]]- [-1, 1, SPPF, [1024, 5]]# 9# YOLOv8.0n headhead:- [-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- [-1, 3, C2f, [256]]# 15 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 12], 1, Concat, [1]]# cat head P4- [-1, 3, C2f, [512]]# 18 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]]# cat head P5- [-1, 3, C2f, [1024]]# 21 (P5/32-large)- [[15, 18, 21], 1, Detect, [nc]]# Detect(P3, P4, P5)

我们复制一份，以yolov8x为例，并改名为myyolo.yaml

# Ultralytics YOLO , GPL-3.0 license# Parametersnc: 80# number of classesdepth_multiple: 1.00# scales module repeatswidth_multiple: 1.25# scales convolution channels# YOLOv8.0x backbonebackbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]]# 0-P1/2- [-1, 1, Conv, [128, 3, 2]]# 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 3, CBAM, [128,7]]- [-1, 1, Conv, [256, 3, 2]]# 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, Conv, [512, 3, 2]]# 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, Conv, [512, 3, 2]]# 7-P5/32- [-1, 3, C2f, [512, True]]- [-1, 1, SPPF, [512, 5]]# 9- [-1, 3, CBAM, [512,7]]# YOLOv8.0x headhead:- [-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- [-1, 3, C2f, [256]]# 15 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 12], 1, Concat, [1]]# cat head P4- [-1, 3, C2f, [512]]# 18 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]]# cat head P5- [-1, 3, C2f, [512]]# 21 (P5/32-large)- [[15, 18, 21], 1, Detect, [nc]]# Detect(P3, P4, P5)

我们在SPPF模块后添加一层CBAM模块，参数为[512,7]，7为SpatialAttention对应的卷积核大小，值可为3或7，其他会报错。
添加完后使用对应的yaml配置文件训练即可。

yolo task=detect mode=train model=myyolo.yaml data=datasets/data/MOT20Det/VOC2007/mot20.yaml batch=32 epochs=80 imgsz=640 workers=16 device=\'0,1,2,3\'

值得注意的是，如果添加了多层CBAM模块，可能会导致各个模块对应的层数改变，因此需要同时修改head中各个layer from对应的层数。

初始YOLOV8X默认的层数如下

# 默认# 0-112320ultralytics.nn.modules.Conv[3, 80, 3, 2] # 1-11115520ultralytics.nn.modules.Conv[80, 160, 3, 2] # 2-13436800ultralytics.nn.modules.C2f [160, 160, 3, True] # 3-11461440ultralytics.nn.modules.Conv[160, 320, 3, 2]# 4-16 3281920ultralytics.nn.modules.C2f [320, 320, 6, True] # 5-11 1844480ultralytics.nn.modules.Conv[320, 640, 3, 2]# 6-1613117440ultralytics.nn.modules.C2f [640, 640, 6, True] # 7-11 3687680ultralytics.nn.modules.Conv[640, 640, 3, 2]# 8-13 6969600ultralytics.nn.modules.C2f [640, 640, 3, True] # 9-11 1025920ultralytics.nn.modules.SPPF[640, 640, 5] #10-11 0torch.nn.modules.upsampling.Upsample [None, 2, 'nearest']#11 [-1, 6]1 0ultralytics.nn.modules.Concat[1] #12-13 7379200ultralytics.nn.modules.C2f [1280, 640, 3]#13-11 0torch.nn.modules.upsampling.Upsample [None, 2, 'nearest']#14 [-1, 4]1 0ultralytics.nn.modules.Concat[1] #15-13 1948800ultralytics.nn.modules.C2f [960, 320, 3] #16-11922240ultralytics.nn.modules.Conv[320, 320, 3, 2]#17[-1, 12]1 0ultralytics.nn.modules.Concat[1] #18-13 7174400ultralytics.nn.modules.C2f [960, 640, 3] #19-11 3687680ultralytics.nn.modules.Conv[640, 640, 3, 2]#20 [-1, 9]1 0ultralytics.nn.modules.Concat[1] #21-13 7379200ultralytics.nn.modules.C2f [1280, 640, 3]#22[15, 18, 21]1 8795008ultralytics.nn.modules.Detect[80, [320, 640, 640]]

增加对应的模块后，之后的层数的layer+1，因此需要适当更改，不然会报concat维度不匹配的错误，如下

RuntimeError: Sizes of tensors must match except in dimension 1. Expected size 16 but got size 32 for tensor number 1 in the list.

总结

添加注意力模块只需要3步
1、在对应的modules.py中添加需要的模块
2、在task.py中引入modules.py中的模块，并进行适当的参数匹配
3、修改对应的models文件夹中的yaml文件，并注意层数问题。
之后就可以进行正常训练了