三分钟学会使用系列（YOLOv5）|SE注意力机制，涨点神器！

三分钟学会使用系列（YOLOv5）|SE注意力机制，涨点神器！

---

本文旨在让读者快速了解相关技术并运用,欢迎关注。

1. 原文地址：《Squeeze-and-Excitation Networks》

2. 官方代码地址： https://github.com/hujie-frank/SENet

3. 视频教程：三分钟快速学习在yolov5中加入SE注意力机制！

---

1. SENet通道注意力导读

​ SENet是早期将注意力机制引入CNN的代表之一。通俗的讲，其通过 ( 通道 ) 挤压（Squeeze)和激励（Excitation）的方式得到一组1×1×C大小的权重矩阵，并使用权重矩阵对feature map的通道进行加权，使得含有重要信息的通道权重更大，从而提升模型的性能。

---

2. 代码

​ SE代码。

class SE(nn.Module):
    def __init__(self, channel, reduction=16):
        super(SE, self).__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.fc = nn.Sequential(
            nn.Linear(channel, channel // reduction, bias=False),
            nn.ReLU(),
            nn.Linear(channel // reduction, channel, bias=False),
            nn.Sigmoid()
        )

    def forward(self, x):
        b, c, _, _ = x.size()
        y = self.avg_pool(x).view(b, c)
        y = self.fc(y).view(b, c, 1, 1)
        return x * y.expand_as(x)

---

3. 使用教程

​ 以YOLOv5为例，加入SE注意力机制。

3.1 YOLOv5中的yaml配置文件解读

​ yaml文件保存了YOLOv5模型的必要信息，包括检测类别数（nc），模型深度（depth_multiple）、宽度（width_multiple），锚框（anchors大）小、模型的结构（backbone、head）等，如图1中所示。以backbone中第二层的结构[-1, 1, Conv, [128, 3, 2]], # 1-P2/4为例，列表中的第一个参数-1表示该层的输入来自上一层，第二个参数1表示该模块有1个，第三个参数Conv表示该模块为Conv（卷积）模块，第四个参数[128, 3, 2]为当前（Conv卷积）模块的参数，第一个参数表示输出的feature map通道数为128，3表示卷积核为3×3大小，2表示卷积的步长为2，如图1。

图1 yaml文件详解

3.2 YOLOv5中加入SE注意力机制

方式1

• 注，单纯加入SE注意力机制推荐此方式。

1. 打开YOLOv5-master工程下models->yolov5n.py（n、m、l、s、x皆可），在想要加入SE注意力的位置增添以下配置，并更改后续相关层配置，如图2。

[-1, 1, SE, [16]], # 2

图2 yaml配置更改

2. 在YOLOv5-master工程下的models->commom.py中添加上文提到的SE的代码，如图3。
   

图2 common.py文件更改

2. 在YOLOv5-master工程下的models->yolo.py的前部加入from models.common import SE，如图3。同时，在此文件的第407行加入图4中代码。

from models.common import SE

        elif m is SE:
            args.insert(0, ch[f])
            c2 = ch[f]

图3 yolo.py导包

图4 yolo.py插入代码

2. 更改YOLOv5-master工程下train.py中的配置文件路径，如图5.

图5 train.py中cfg参数更改

2. 检查终端是否打印SE层，如图6。

图6 打印结果

---

方式2

• 注：自创模块推荐此方式

再鸽两天。— —

---

4. 文章详解

​ 有空了再写…

---

5. 参考

1. 《Squeeze-and-Excitation Networks》

2. https://github.com/hujie-frank/SENet

---