一、本文介绍
本文记录的是基于NAM模块的YOLOv11目标检测改进方法研究。 许多先前的研究专注于通过注意力操作捕获显著特征，但缺乏对权重贡献因素的考虑，而这些因素能够进一步抑制不重要的通道或像素。而本文利用NAM改进YOLOv11，通过权重的贡献因素来改进注意力机制，提高模型精度。
专栏目录：YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
专栏地址：YOLOv11改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！
文章目录
- 一、本文介绍
- 二、NAM介绍
-
- 2.1 NAM设计原理
- 2.2 优势
- 三、NAM的实现代码
- 四、创新模块
-
- 4.1 改进点1
- 4.2 二次创新⭐
- 五、添加步骤
-
- 5.1 修改ultralytics/nn/modules/block.py
- 5.2 修改ultralytics/nn/modules/__init__.py
- 5.3 修改ultralytics/nn/modules/tasks.py
- 六、yaml模型文件
-
- 6.1 模型改进版本一
- 6.2 模型改进版本二⭐
- 七、成功运行结果 </
![Vulnhub靶场案例渗透[7]- DC7](https://img-blog.csdnimg.cn/img_convert/41e41aab1d5a63277b08bfff081fb550.jpeg)
