一、下载代码

点击下方链接到github下载

GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLiteNEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite - GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLitehttps://github.com/ultralytics/ultralyticsgithub有时会打不开，可以到国内镜像Gitee下载，链接如下

ultralytics: YOLOv8 🚀 Ultralytics 同步更新官方最新版 YOLOv8 (gitee.com)https://gitee.com/monkeycc/ultralytics本文下载的代码版本为8.0.154，不同版本的代码结构可能会不同

二、注意力机制代码

本文使用MSHA注意力机制，代码如下

class MHSA(nn.Module):
    def __init__(self, n_dims, width=14, height=14, heads=4, pos_emb=False):
        super(MHSA, self).__init__()

        self.heads = heads
        self.query = nn.Conv2d(n_dims, n_dims, kernel_size=1)
        self.key = nn.Conv2d(n_dims, n_dims, kernel_size=1)
        self.value = nn.Conv2d(n_dims, n_dims, kernel_size=1)
        self.pos = pos_emb
        if self.pos:
            self.rel_h_weight = nn.Parameter(torch.randn([1, heads, (n_dims) // heads, 1, int(height)]),
                                             requires_grad=True)
            self.rel_w_weight = nn.Parameter(torch.randn([1, heads, (n_dims) // heads, int(width), 1]),
                                             requires_grad=True)
        self.softmax = nn.Softmax(dim=-1)

    def forward(self, x):
        n_batch, C, width, height = x.size()
        q = self.query(x).view(n_batch, self.heads, C // self.heads, -1)
        k = self.key(x).view(n_batch, self.heads, C // self.heads, -1)
        v = self.value(x).view(n_batch, self.heads, C // self.heads, -1)
        content_content = torch.matmul(q.permute(0, 1, 3, 2), k)  # 1,C,h*w,h*w
        c1, c2, c3, c4 = content_content.size()
        if self.pos:
            content_position = (self.rel_h_weight + self.rel_w_weight).view(1, self.heads, C // self.heads, -1).permute(
                0, 1, 3, 2)  # 1,4,1024,64

            content_position = torch.matmul(content_position, q)  # ([1, 4, 1024, 256])
            content_position = content_position if (
                    content_content.shape == content_position.shape) else content_position[:, :, :c3, ]
            assert (content_content.shape == content_position.shape)
            energy = content_content + content_position
        else:
            energy = content_content
        attention = self.softmax(energy)
        out = torch.matmul(v, attention.permute(0, 1, 3, 2))  # 1,4,256,64
        out = out.view(n_batch, C, width, height)
        return out

三、添加进Yolov8

1.在Yolov8的ultralytics/nn这个路径下创建文件，建议与注意力机制的模块同名。

 2.在task.py中添加代码

task.py还是在上述的路径下。打开，找到parse_model(d, ch, verbose=True)函数，做如下添加。

 3.创建新的yaml文件

在ultralytics/cfg/models/v8这个路径下创建新的yaml文件，yolov8n_att.yaml文件

将yolov8.yaml文件的内容复制到yolov8n_att.yaml文件中，防止错误。

在要添加注意力模块的层下方添加，本文是对SPPF层做注意力机制，所以就在SPPF层下方。

 修改head的内容

就是修改原来函数中层数发生变化的地方。

至此，修改完成。 

四、训练

yolov8训练分为可以分为两种，命令行与代码。这里推荐的是通过修改train.py代码来实现。

在主文件夹下找到train.py文件，如下图。

一般来说，添加注意力机制之后，只需要修改yaml与data两个参数，如图中红线画住的区域。这里解释一下，yaml参数的default后面的路径指的是你要训练的模型的结构文件，这本文中就是修改为yolov8n_att.yaml文件的路径；data参数default路径是你要训练的数据的data.yaml文件的路径，修改训练数据时修改它。还有其他参数可以去ultralytics官网查看。

在本文中，在不修改训练数据的情况下，修改yaml参数后的路径为yolov8_att.yaml路径，然后运行train.py即可开始训练。