YOLOV8改进:更换PoolFormer主干网络

1.该文章属于YOLOV5/YOLOV7/YOLOV8改进专栏，包含大量的改进方式，主要以2023年的最新文章和2022年的文章提出改进方式。
2.提供更加详细的改进方法，如将注意力机制添加到网络的不同位置，便于做实验，也可以当做论文的创新点。
2.涨点效果：添加PoolFormer主干，有效涨点。

 

Transformer已经在计算机视觉中展现了巨大的潜力，一个常见的观念是视觉Transformer之所以取得如此不错的效果主要是由于基于self-attention的token mixer模块。但是视觉MLP的近期工作证明将这个token mixer换为spatial MLP依然可以保持相当好的效果。作者并没有在这方面做过多的探究，而是认为这些工作之所以成功的原因是因为他们模型结构采用MetaFormer这样的通用架构（即token mixer+channel MLP（FFN）），至于具体采用哪种token mixer模块，影响并不是那么大。
 

以YOLOv8的第一个版本进行改进

1.步骤一

新建poolformer.py

# Copyright 2021 Garena Online Private Limited
#
# Licensed under the Apache Li