目录

SE注意力机制代码（请复制）

步骤一：修改conv.py文件

步骤二：修改__init__.py文件

步骤三：修改tasks.py文件

步骤四：新建yolo11_SE.yaml文件

---

SE注意力机制代码（请复制）

class SE(nn.Module):
    def __init__(self, c1, c2, r=16):
        super(SE, self).__init__()
        self.avgpool = nn.AdaptiveAvgPool2d(1)
        self.l1 = nn.Linear(c1, c1 // r, bias=False)
        self.relu = nn.ReLU(inplace=True)
        self.l2 = nn.Linear(c1 // r, c1, bias=False)
        self.sig = nn.Sigmoid()
    def forward(self, x):
        b, c, _, _ = x.size()
        y = self.avgpool(x).view(b, c)
        y = self.l1(y)
        y = self.relu(y)
        y = self.l2(y)
        y = self.sig(y)
        y = y.view(b, c, 1, 1)
        return x * y.expand_as(x)

步骤一：修改conv.py文件

conv.py文件一般位于ultralytics/nn/modules中，可根据自己的文件结构进行寻找

（1）在__all__中添加“SE”

（2）在conv.py文件末尾粘贴SE注意力机制代码

步骤二：修改__init__.py文件

__init__.py文件一般位于ultralytics/nn/modules中，可根据自己的文件结构进行寻找

在如下两处位置添加“SE”

步骤三：修改tasks.py文件

tasks.py文件一般位于ultralytics/nn中，可根据自己的文件结构进行寻找

在如下两处位置添加“SE”

def parse_model(d, ch, verbose=True)
#搜索此段代码，快速定位如下位置

步骤四：新建yolo11_SE.yaml文件

该文件名可以自定义，结尾以.yaml结尾即可，文件内容全部复制yolo11.yaml，修改如下内容：

接下来就可以使用此yaml文件为模型进行训练，出现如下内容表示添加成功