手把手带你yolov5 (v6.1)添加注意力机制(二)(在c3模块中加入注意力机制)

手把手带你在Yolov5 (v6.1)的C3模块中添加注意力机制。

首先，为了在C3模块中加入注意力机制，我们需要在yolov5/models模块中的common.py文件中进行修改。

1. 打开common.py文件，找到C3模块的定义代码。
C3模块的定义通常如下所示：

    class C3(nn.Module):
        # ...
        def __init__(self, c1, c2, c3, c4, c5, shortcut, g):
            # ...
        def forward(self, x):
            # ...

2. 在C3类的初始化函数中添加注意力机制所需的参数。注意力机制通常通过使用Squeeze-and-Excitation（SE）模块来实现，该模块包括一个全局平均池化层和两个全连接层。

    class C3(nn.Module):
        # ...
        def __init__(self, c1, c2, c3, c4, c5, shortcut, g):
            super(C3, self).__init__()
            # 添加注意力机制参数，g代表SE模块中的通道缩放比例
            self.se = nn.Sequential(
                nn.AdaptiveAvgPool2d(1),
                nn.Conv2d(c3, c3 // g, kernel_size=1, stride=1, padding=0),
                nn.ReLU(inplace=True),
                nn.Conv2d(c3 // g, c3, kernel_size=1, stride=1, padding=0),
                nn.Sigmoid()
            )
            # ...

3. 在C3类的前向传播函数中应用注意力机制。首先，计算注意力权重，并将其应用于C3模块的输入特征图上。

    class C3(nn.Module):
        # ...
        def forward(self, x):
            # ...
            # 计算注意力权重
            attentions = self.se(x)
            # 注意力加权
            x = x * attentions
            # ...
            return x

4. 保存文件并退出编辑器。

现在，C3模块中已经加入了注意力机制。这将使得模型能够更加关注重要的特征图区域，提升目标检测的性能。