在前面的系列博文中，我们尝试了在不同款的yolov5模型中加入不同的注意力机制来提升模型的性能，都有不错的表现效果，本文主要的目的是尝试将注意力机制融合集成进入原生的C3模块中来替换原生的C3模块来对比分析模型的检测性能，首先看下效果图：

这里的检测对象只有一个就是：qrcode（二维码）。

改进后的模型文件如下：

#Parameters
nc: 1  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32#Backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3SE, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3SE, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3SE, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3SE, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]#Head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]],  # cat backbone P4[-1, 3, C3SE, [512, False]],  # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]],  # cat backbone P3[-1, 3, C3SE, [256, False]],  # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]],  # cat head P4[-1, 3, C3SE, [512, False]],  # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]],  # cat head P5[-1, 3, C3SE, [1024, False]],  # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

这里是以yolov5s为基准模型进行改进的，当然了如果想使用其他系列的模型也都是可以的，对照着处理即可。

接下来看下数据情况：

YOLO格式标注数据如下：

实例标注数据如下：

0 0.773846 0.567164 0.089231 0.216418

VOC格式标注数据如下：

实例标注数据如下：

qrcode0afd2122-041f-48d2-af22-3e1ffb0dfecc.jpgThe qrcode DatabaseqrcodeqrcodeCGB    1000103030

默认执行100次epoch的迭代计算，基于GPU模式完成训练，日志输出如下所示：

训练完成后结果数据文件如下：

标签可视化如下：

混淆矩阵如下：

F1值曲线和PR曲线如下：

训练batch检测实例如下：

基于专用界面实现推理可视化如下：

上传待检测图像：

推理检测如下：