当前位置： 首页 > news >正文

微网站开发工具有哪些天津seo

news 2025/8/16 13:25:59
微网站开发工具有哪些,天津seo,给个网址2021年能看的,上海网页制作系统《博主简介》 小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~ 👍感谢小伙伴们点赞、关注！ 《------往期经典推…

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称
1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
22.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】23.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
24.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】25.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
26.【基于YOLOv8深度学习的人脸面部表情识别系统】27.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】

《------正文------》

## 搜索C2f源码位置并新建C2f类

在项目目录中全局搜索class c2f即可找到c2f的源码位置。然后打开源码位置，进行相应修改。源码路径为：ultralytics/nn/modules/block.py

在原文件中直接copy一份c2f类的源码，然后命名为c2f_Attention，如下所示：

在这里插入图片描述

在不同文件导入新建的C2f类

在ultralytics/nn/modules/block.py顶部，all中添加刚才创建的类的名称：c2f_Attention,如下图所示：

在这里插入图片描述

同样需要在ultralytics/nn/modules/__init__.py文件，相应位置导入刚出创建的c2f_Attention类。如下图：

在这里插入图片描述

还需要在ultralytics/nn/tasks.py中导入创建的c2f_Attention类，，如下图：

在这里插入图片描述

在parse_model解析函数中添加C2f类

在ultralytics/nn/tasks.py的parse_model解析网络结构的函数中，加入c2f_Attention类，如下图：
在这里插入图片描述

创建新的配置文件c2f_att_yolov8.yaml

在ultralytics/cfg/models/v8目录下新建c2f_att_yolov8.yaml配置文件，内容如下:

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 80  # number of classes
scales: # 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 backbone
backbone:# [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_Attention, [256, True]]- [-1, 1, Conv, [512, 3, 2]]  # 5-P4/16- [-1, 6, C2f_Attention, [512, True]]- [-1, 1, Conv, [1024, 3, 2]]  # 7-P5/32- [-1, 3, C2f_Attention, [1024, True]]- [-1, 1, SPPF, [1024, 5]]  # 9# YOLOv8.0n head
head:- [-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)

新的c2f_att_yolov8.yaml配置文件与原yolov8.yaml文件的对比如下：

在这里插入图片描述

在C2f中添加注意力：ShuffleAttention

注意：对于有通道数参数的注意力机制，其输入通道数为其上层的输出通道数。这个注意力添加的位置有关。

在路径ultralytics/nn下新建注意力模块，ShuffleAttention.py文件。内容如下：

import numpy as np
import torch
from torch import nn
from torch.nn import init
from torch.nn.parameter import Parameterclass ShuffleAttention(nn.Module):def __init__(self, channel=512, reduction=16, G=8):super().__init__()self.G = Gself.channel = channelself.avg_pool = nn.AdaptiveAvgPool2d(1)self.gn = nn.GroupNorm(channel // (2 * G), channel // (2 * G))self.cweight = Parameter(torch.zeros(1, channel // (2 * G), 1, 1))self.cbias = Parameter(torch.ones(1, channel // (2 * G), 1, 1))self.sweight = Parameter(torch.zeros(1, channel // (2 * G), 1, 1))self.sbias = Parameter(torch.ones(1, channel // (2 * G), 1, 1))self.sigmoid = nn.Sigmoid()def init_weights(self):for m in self.modules():if isinstance(m, nn.Conv2d):init.kaiming_normal_(m.weight, mode='fan_out')if m.bias is not None:init.constant_(m.bias, 0)elif isinstance(m, nn.BatchNorm2d):init.constant_(m.weight, 1)init.constant_(m.bias, 0)elif isinstance(m, nn.Linear):init.normal_(m.weight, std=0.001)if m.bias is not None:init.constant_(m.bias, 0)@staticmethoddef channel_shuffle(x, groups):b, c, h, w = x.shapex = x.reshape(b, groups, -1, h, w)x = x.permute(0, 2, 1, 3, 4)# flattenx = x.reshape(b, -1, h, w)return xdef forward(self, x):b, c, h, w = x.size()# group into subfeaturesx = x.view(b * self.G, -1, h, w)  # bs*G,c//G,h,w# channel_splitx_0, x_1 = x.chunk(2, dim=1)  # bs*G,c//(2*G),h,w# channel attentionx_channel = self.avg_pool(x_0)  # bs*G,c//(2*G),1,1x_channel = self.cweight * x_channel + self.cbias  # bs*G,c//(2*G),1,1x_channel = x_0 * self.sigmoid(x_channel)# spatial attentionx_spatial = self.gn(x_1)  # bs*G,c//(2*G),h,wx_spatial = self.sweight * x_spatial + self.sbias  # bs*G,c//(2*G),h,wx_spatial = x_1 * self.sigmoid(x_spatial)  # bs*G,c//(2*G),h,w# concatenate along channel axisout = torch.cat([x_channel, x_spatial], dim=1)  # bs*G,c//G,h,wout = out.contiguous().view(b, -1, h, w)# channel shuffleout = self.channel_shuffle(out, 2)return out

在ultralytics/nn/tasks.py中导入，并修改在parse_model解析网络结构的函数中，添加解析代码：

在这里插入图片描述

在这里插入图片描述

注意力不同位置添加方法

在ultralytics/nn/modules/block.py中的c2f_Attention类中代码相应位置添加注意力机制：

1 . 方式一：在self.cv1后面添加注意力机制

在这里插入图片描述

2.方式二：在self.cv2后面添加注意力机制

在这里插入图片描述

3.方式三：在c2f的bottleneck中添加注意力机制，将Bottleneck类，复制一份，并命名为Bottleneck_Attention,然后，在Bottleneck_Attention的cv2后面添加注意力机制，同时修改C2f_Attention类别中的Bottleneck为Bottleneck_Attention。如下图所示：

在这里插入图片描述

加载配置文件并训练

加载c2f_att_yolov8.yaml配置文件，并运行train.py训练代码:

#coding:utf-8
from ultralytics import YOLOif __name__ == '__main__':model = YOLO('ultralytics/cfg/models/v8/c2f_att_yolov8.yaml')model.load('yolov8n.pt') # loading pretrain weightsmodel.train(data='datasets/TomatoData/data.yaml', epochs=150, batch=2)

注意观察，打印出的网络结构是否正常修改，如下图所示：
在这里插入图片描述

【源码免费获取】

为了小伙伴们能够，更好的学习实践，本文已将所有代码、示例数据集、论文等相关内容打包上传，供小伙伴们学习。获取方式如下：

关注下方名片G-Z-H：【阿旭算法与机器学习】，发送【yolov8改进】即可免费获取

在这里插入图片描述

结束语

关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

觉得不错的小伙伴，感谢点赞、关注加收藏哦！

http://www.mmbaike.com/news/111361.html

相关文章：

  • 长沙网站设计优刻网站seo诊断分析
  • 百度免费seo百度快照优化排名怎么做
  • 用ps做的网站怎么发布福建企业seo推广
  • 金融网站源码 aspseo优化范畴
  • 上海市城乡建设部网站首页今日军事新闻头条
  • 手机 dns 国外网站产品如何做网络推广
  • 网站建设与网页设计制作yande搜索引擎官网入口
  • 网站开发什么方式自己怎么做网址开网站
  • 风景区网站代码注册google账号
  • 哪里有营销型网站网络营销的传播手段
  • 备案 网站名字sem培训班学费哪个好
  • 老网站改版启用二级域名网站seo设计方案案例
  • 网站数据采集怎么做接外包网站
  • 在线做图网站在什么网站可以免费
  • 如何查看网站开发者百度sem推广具体做什么
  • 站群系统开发营销推广seo
  • 给小孩做辅食的网站网站推广优化怎样
  • 主机屋网站网络营销的含义特点
  • 深圳网站建设哪家专业数字营销公司排行榜
  • 池州网站建设怎么样网页设计html代码大全
  • 用css做网站win7运行速度提高90%
  • 外贸seo软件免费的电脑优化软件
  • 湖北省工程建设协会网站河南网站推广电话
  • 网站导航功能企业管理培训课程视频
  • 青岛网站建设公司大全永久免费建站系统
  • html游子吟网页制作代码许昌网站seo
  • 郑州网站建设公司qq最火的网络销售平台
  • 中国建设网官方网站客服电话太仓网站制作
  • 网站 建设 业务需求表怎么搭建网站
  • 用人名做网站域名口碑营销案例分析