改进前训练结果：

二次创新C2f结构训练结果：

摘要

在本文中，提出了一种新的移动网络注意力机制，将位置信息嵌入到信道注意力中称之为“协调注意力”。与渠道关注不同通过 2D 全局池将特征张量转换为单个特征向量，坐标注意力因子将通道注意力转化为两个 1D 特征编码过程，这两个过程分别沿着两个空间方向聚合特征。通过这种方式，可以沿着一个空间方向捕获长程依赖性和均值，同时可以沿着另一个空间方向。生成的特征图为然后分别编码为一对方向感知和位置敏感注意力图，其可以被完全应用于输入特征图以增加感兴趣对象的表示。坐标保持简单，可以灵活插入经典网络。

模型细节

CA注意力块（c）与经典的 SE 通道注意力块 (a) 和 CBAM (b) 的示意图比较。这里，“GAP”和“GMP”分别指全局平均池化和全局最大池化。“X Avg Pool”和“Y Avg Pool”分别指一维水平全局池化和一维垂直全局池化。

理论详解可以参考链接：论文地址
代码可在这个链接找到：代码地址

下文都是手把手教程，跟着操作即可添加成功