YOLOv9改进策略【Conv和Transformer】| AssemFormer 结合卷积与 Transformer 优势，弥补传统方法不足
一、本文介绍
本文记录的是利用AssemFormer优化YOLOv9的目标检测网络模型。传统卷积和池化操作会导致信息丢失和压缩缺陷，且传统的注意力机制通常产生固定维度的注意力图，忽略了背景中的丰富上下文信息。本文的利用AssemFormer改进YOLOv9，以在特征传递和融合过程中增加多尺度的学习能力。
专栏目录：YOLOv9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方向
专栏地址：YOLOv9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、AssemFormer介绍
- 2.1 设计出发点
- 2.2 原理
- 2.2.1 结构组成
- 2.2.2 注意力机制
- 2.3 特点
- 三、AssemFormer的实现代码
- 四、添加步骤
- 4.1 修改common.py
- 4.1.1 步骤 1
- 4.1.2 步骤 2⭐
- 4.2 修改yolo.py
- 五、yaml模型文件
- 5.1 模型改进⭐