爆改YOLOv8 | ASF-YOLO改进特征融合层（小目标检测）

不想敲代码！！！

已于 2024-08-14 21:54:08 修改

阅读量2.2k

点赞数 15

CC 4.0 BY-SA版权

分类专栏：爆改yolov8，即插即用文章标签： YOLO yolov8 目标检测人工智能计算机视觉

于 2024-08-14 11:19:24 首次发布

本文链接：https://blog.csdn.net/weixin_43986124/article/details/141185166

1，本文介绍

ASF-YOLO框架结合空间和尺度特征，用于准确快速的细胞实例分割。用三重特征编码器模块TPE融合不同层级信息，采用尺度序列特征融合模块SSFF增强网络的多尺度信息提取能力。进一步引入通道和位置注意力机制（CPAM），将SSFF和TPE模块集成在一起，专注于信息通道和与空间位置相关的小对象，以提高检测和分割性能。

本文将讲解如何将ASF-YOLO融合进yolov8，以提高小目标检测的性能。

话不多说，上代码！

2，将ASF-YOLO融合进YOLOv8

2.1 步骤一

首先找到如下的目录'ultralytics/nn/modules'，然后在这个目录下创建一个asfyolo.py文件，文件名字可以根据你自己的习惯起，然后将ASF-YOLO的核心代码复制进去。

# ASF-YOLO 的核心代码
import torch
import torch.nn as nn
import torch.nn.functional as F
import math
 
 
def autopad(k, p=None, d=1):  # kernel, padding, dilation
    # Pad to 'same' shape outputs
    if d > 1:
        k = d * (k - 1) + 1 if isinstance(k, int) else [d * (x - 1) + 1 for x in k]  # actual kernel-size
    if p is None:
        p = k // 2 if isinstance(k, int) else [x // 2 for x in k]  # auto-pad
    return p
 
 
class Conv(nn.Module):
    # Standard convolution with args(ch_in, ch_out, kernel, stride, padding, groups, dilation, activation)
    default_act = nn.SiLU()  # default activation
 
    def __init__(self, c1, c2, k=1, s=1, p=None, g=1, d=1, act=True):
        super().__init__()
        self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p, d), groups=g, dilation=d, bias=False)
        self.bn = nn.BatchNorm2d(c2)
        self.act = self.default_act if act is True else act if isinstance(act, nn.Module) else nn.Identity()
 
    def forward(self, x):
        return self.act(self.bn(self.conv(x)))
 
    def forward_fuse(self, x):
        return self.act(self.conv(x))
 
 
class Zoom_cat(nn.Module):
    def __init__(self):
        super().__init__()
        # self.conv_l_post_down = Conv(in_dim, 2*in_dim, 3, 1, 1)
 
    def forward(self, x):
        """l,m,s表示大中小三个尺度，最终会被整合到m这个尺度上"""
        l, m, s = x[0], x[1],