视频参考：

【Pytorch 图像处理中注意力机制的代码详解与应用（Bubbliiiing 深度学习 教程）】

yolov7博客参考：

睿智的目标检测61——Pytorch搭建YoloV7目标检测平台

注意力机制介绍：

神经网络学习小记录64——Pytorch 图像处理中注意力机制的解析与代码详解

步骤：

①获取注意力机制的代码

https://github.com/bubbliiiing/yolov4-tiny-pytorch/blob/master/nets/attention.py

②看b导的yolov7博客介绍以及视频

看完视频可以知道，添加注意力机制最好选在加强特征提取网络。注意力机制是一个即插即用的模块，理论上可以放在任何一个特征层后面，可以放在主干网络，也可以放在加强特征提取网络。由于放置在主干会导致网络的预训练权重无法使用，所以将注意力机制应用加强特征提取网络上。

③yolov7添加注意力的地方：

一共五个地方，如图所示，三个feat和两个上采样的地方。

④添加注意力机制的代码，放在net文件夹下

⑤在nets/yolo.py增加代码

添加模块

from .attention import se_block,cbam_block,eca_blockattention_blocks = [se_block,cbam_block,eca_block]

找到yolo_body(快捷键ctrl+f搜索yolo_body)

在参数列表添加attention参数，attention = 0：表示原版，attention=1表示senet，attention=2表示cbam，attention=3表示ecanet，这个序号与我们在文件头部定义的

attention_blocks = [se_block,cbam_block,eca_block]有关。

在该__init__函数的末尾加上：

 self.attention = attentionif attention >= 1 and attention <= 3:self.feat1_attention = attention_blocks[attention - 1](512)#括号表示通道数self.feat2_attention = attention_blocks[attention - 1](1024)self.feat3_attention = attention_blocks[attention - 1](1024)self.upsample_attention5 = attention_blocks[attention - 1](256)self.upsample_attention4 = attention_blocks[attention - 1](128)

在forward函数增加如下代码：

if self.attention >= 1 and self.attention <= 3:feat1 = self.feat1_attention(feat1)feat2 = self.feat2_attention(feat2)feat3 = self.feat3_attention(feat3)

if self.attention >= 1 and self.attention <= 3:P5_upsample = self.upsample_attention5(P5_upsample)
if self.attention >= 1 and self.attention <= 3:P4_upsample = self.upsample_attention4(P4_upsample)

接下来只需要修改nets/yolo.py中yolo_body初始化参数列表的attention的值即可切换不同的注意力机制

完成。