YOLOv5s模型改造实战：手把手教你集成C3CA、C3CBAM等注意力模块（附完整代码）

YOLOv5s模型深度改造指南：从零集成C3CA与C3CBAM注意力模块

在目标检测领域，YOLOv5s以其轻量高效的特性成为工业部署的热门选择。但当你需要进一步提升模型在复杂场景下的检测精度时，传统结构往往显得力不从心。本文将带你深入YOLOv5s的神经网络架构，通过集成C3CA、C3CBAM等先进注意力模块，实现模型性能的显著提升。不同于简单的理论介绍，我们聚焦于可落地的工程实践——从代码修改、配置文件调整到训练验证的全流程闭环。

1. 环境准备与基础认知

在开始改造前，我们需要明确几个核心概念。YOLOv5s中的C3模块是模型的主干特征提取组件，其核心思想是通过跨阶段部分连接（Cross Stage Partial Connections）实现多尺度特征融合。而注意力机制的本质，是让模型学会"关注"输入数据中更重要的区域或通道。

必备工具清单：

• Python 3.8+ 环境
• PyTorch 1.7+
• 官方YOLOv5代码库（建议v6.1版本）
• 支持CUDA的NVIDIA显卡

# 克隆官方仓库 git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt

理解模块的继承关系至关重要。在YOLOv5中，所有自定义模块都应继承自nn.Module基类。C3CA等改进模块则是C3类的子类，这意味着它们需要保持与父类相同的接口规范。

2. C3CA模块的完整实现

C3CA模块的核心创新在于将坐标注意力（Coordinate Attention）机制融入标准的C3结构中。这种注意力机制能够同时捕获通道关系和长距离空间依赖，特别适合目标检测任务。

代码实现步骤：

1. 在models/common.py中添加以下类定义：

class CABottleneck(nn.Module): def __init__(self, c1, c2, shortcut=True, g=1, e=0.5, ratio=32): super().__init__() c_ = int(c2 * e) self.cv1 = Conv(c1, c_, 1, 1) self.cv2 = Conv(c_, c2, 3, 1, g=g) self.add = shortcut and c1 == c2 self.pool_h = nn.AdaptiveAvgPool2d((None, 1)) self.pool_w = nn.AdaptiveAvgPool2d((1, None)) mip = max(8, c1 // ratio) self.conv1 = nn.Conv2d(c1, mip, kernel_size=1, stride=1, padding=0) self.bn1 = nn.BatchNorm2d(mip) self.act = nn.Hardswish() self.conv_h = nn.Conv2d(mip, c2, kernel_size=1, stride=1, padding=0) self.conv_w = nn.Conv2d(mip, c2, kernel_size=1, stride=1, padding=0) def forward(self, x): x1 = self.cv2(self.cv1(x)) n, c, h, w = x1.size() # 坐标注意力计算 x_h = self.pool_h(x1) x_w = self.pool_w(x1).permute(0, 1, 3, 2) y = torch.cat([x_h, x_w], dim=2) y = self.conv1(y) y = self.bn1(y) y = self.act(y) x_h, x_w = torch.split(y, [h, w], dim=2) x_w = x_w.permute(0, 1, 3, 2) # 注意力权重应用 a_h = self.conv_h(x_h).sigmoid() a_w = self.conv_w(x_w).sigmoid() return x1 * a_w * a_h

2. 在同一个文件中继续定义C3CA类：

class C3CA(C3): def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): super().__init__(c1, c2, n, shortcut, g, e) c_ = int(c2 * e) self.m = nn.Sequential(*(CABottleneck(c_, c_, shortcut) for _ in range(n)))

注意：CoordAtt模块的ratio参数控制着注意力机制的压缩比，通常设置在16-32之间。数值越小，计算开销越大但可能获得更好的性能。

3. 模型配置文件调整

完成代码修改后，需要创建对应的YAML配置文件。在models目录下新建yolov5s_c3ca.yaml：

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license # Parameters nc: 80 # 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 # YOLOv5 v6.0 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, C3CA, [128]], [-1, 1, Conv, [256, 3, 2]], # 3-P3/8 [-1, 6, C3CA, [256]], [-1, 1, Conv, [512, 3, 2]], # 4-P4/16 [-1, 9, C3CA, [512]], [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [-1, 3, C3CA, [1024]], [-1, 1, SPPF, [1024, 5]], # 9 ] # YOLOv5 v6.0 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, C3, [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, C3, [256, False]], # 17 (P3/8-small) [-1, 1, Conv, [256, 3, 2]], [[-1, 14], 1, Concat, [1]], # cat head P4 [-1, 3, C3, [512, False]], # 20 (P4/16-medium) [-1, 1, Conv, [512, 3, 2]], [[-1, 10], 1, Concat, [1]], # cat head P5 [-1, 3, C3, [1024, False]], # 23 (P5/32-large) [[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) ]

关键修改点：

• 将backbone中所有C3模块替换为C3CA
• 保持head部分的C3模块不变（避免过度计算开销）
• 根据硬件条件调整depth_multiple和width_multiple

4. C3CBAM模块的实现与对比

CBAM（Convolutional Block Attention Module）是另一种流行的注意力机制，它同时考虑通道和空间两个维度的注意力。以下是其实现方法：

class ChannelAttention(nn.Module): def __init__(self, in_planes, ratio=16): super().__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.max_pool = nn.AdaptiveMaxPool2d(1) self.fc = nn.Sequential( nn.Conv2d(in_planes, in_planes // ratio, 1, bias=False), nn.ReLU(), nn.Conv2d(in_planes // ratio, in_planes, 1, bias=False) ) self.sigmoid = nn.Sigmoid() def forward(self, x): avg_out = self.fc(self.avg_pool(x)) max_out = self.fc(self.max_pool(x)) return self.sigmoid(avg_out + max_out) class SpatialAttention(nn.Module): def __init__(self, kernel_size=7): super().__init__() self.conv = nn.Conv2d(2, 1, kernel_size, padding=kernel_size//2, bias=False) self.sigmoid = nn.Sigmoid() def forward(self, x): avg_out = torch.mean(x, dim=1, keepdim=True) max_out, _ = torch.max(x, dim=1, keepdim=True) x = torch.cat([avg_out, max_out], dim=1) return self.sigmoid(self.conv(x)) class CBAMBottleneck(nn.Module): def __init__(self, c1, c2, shortcut=True, g=1, e=0.5): super().__init__() c_ = int(c2 * e) self.cv1 = Conv(c1, c_, 1, 1) self.cv2 = Conv(c_, c2, 3, 1, g=g) self.add = shortcut and c1 == c2 self.channel_attention = ChannelAttention(c2) self.spatial_attention = SpatialAttention() def forward(self, x): x1 = self.cv2(self.cv1(x)) out = self.channel_attention(x1) * x1 out = self.spatial_attention(out) * out return x + out if self.add else out class C3CBAM(C3): def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): super().__init__(c1, c2, n, shortcut, g, e) c_ = int(c2 * e) self.m = nn.Sequential(*(CBAMBottleneck(c_, c_, shortcut) for _ in range(n)))

性能对比表：

从实际测试来看，C3CA在精度提升上略优于C3CBAM，但CBAM在小型目标检测上表现更稳定。选择哪种模块取决于你的具体应用场景。

5. 训练技巧与问题排查

集成新模块后，训练过程可能需要特别调整。以下是几个关键注意事项：

学习率策略调整：

• 初始学习率建议降低为原来的0.8倍
• 使用余弦退火调度器（cosine lr scheduler）
• 增加warmup阶段（至少3个epoch）

# 在data/hyps/hyp.scratch-low.yaml中修改 lr0: 0.008 # 初始学习率 lrf: 0.1 # 最终学习率 = lr0 * lrf warmup_epochs: 3 warmup_momentum: 0.8

常见错误及解决方案：

1. 维度不匹配错误：

   • 现象：RuntimeError: size mismatch
   • 原因：注意力模块的输出通道数与预期不符
   • 解决：检查所有Conv层的通道数设置，确保与父类一致

2. 训练初期震荡剧烈：

   • 现象：loss值波动大
   • 解决：降低初始学习率，增加warmup阶段

3. 显存不足：

   • 现象：CUDA out of memory
   • 解决：减小batch size或使用梯度累积

   # 在train.py中添加 parser.add_argument('--accumulate', type=int, default=2, help='batches to accumulate before optimizing')

进阶技巧：

• 混合使用不同注意力模块（如backbone用C3CA，neck用C3CBAM）
• 渐进式训练策略：先训练原始模型，再微调注意力模块
• 使用知识蒸馏技术，让改进模型学习原始模型的输出分布

6. 模型部署优化

完成训练后，我们需要考虑模型的实际部署效率。以下是几种优化方案：

TensorRT加速：

# 转换模型为TensorRT格式 from torch2trt import torch2trt model = attempt_load('weights/best.pt') x = torch.ones(1, 3, 640, 640).cuda() model_trt = torch2trt(model, [x])

量化部署方案对比：

实际测试中，FP16量化能在几乎不损失精度的情况下获得显著的加速效果，是大多数场景的首选方案。

7. 实际应用案例

在某工业缺陷检测项目中，我们对比了不同改进方案的效果：

产线PCB板检测结果：

混合方案采用了backbone使用C3CA、neck部分使用C3CBAM的结构，在保持实时性的同时获得了最佳的检测精度。这种改进使得微小焊点缺陷的检出率提升了3.2个百分点，大幅降低了产线漏检率。