改进型YOLOv8n：全阶段注意力机制与轻量化重构

一、创新点总结创新点1首先在骨干网络各阶段嵌入高效通道注意力(Efficient Channel AttentionECA)模块构建分布式特征增强机制自适应校准通道权重以抑制背景噪声并强化多尺度缺陷响应为后 续轻量化模块提供更易判别的特征分布创新点2设计 GhostLiteC2f 模块替代颈部网络标准卷积并引入深度可分离卷积 (Depthwise Separable ConvolutionDWSConv)重构特征提取单元从结构层面削减冗余计算为注意力机制与上采样的部署释 放算力空间二、EDGD-YOLO在骨干网络(Backbone)的 C2f 模块之前分别嵌入 ECA 通道注意力模块构建全阶段特征增强机制重构颈部网络(Neck)采用深度可分离卷积 (DWSConv) 替代传统标准卷积引入 GhostLiteC2f 模块优化特征融合路径最后将传统 的最近邻上采样替换为 DySample 可学习上采样算 子。2.1 基于骨干网多层嵌入的ECA增强机制ECAECA 模块的工作流程分为三个阶段首先对输入特征图进行全局平均池化 将空间维度压缩为 1×1生成每个通道的全局描述 符这一步骤保留了通道间的完整信息而不进行降维 处理。其次通过一维卷积捕捉通道间的局部交互关 系每个通道的注意力权重仅由其邻近的 k 个通道 共同决定这种局部交互策略在保持性能的同时显著 降低了模型复杂度。一维卷积的核大小 k 根据通道 维度自适应确定高维通道采用较大的感受野以捕获 长距离依赖低维通道采用较小的感受野以减少计算 开销。最后通过 Sigmoid 激活函数生成通道权重 向量并与原始特征图进行逐元素乘法实现特征的 自适应重校准。2.2 GhostLiteC2f 模块构建的 GhostLiteC2f 模块由输入卷 积层、GhostLiteBottleneck瓶颈层和输出卷积层三部 分构成。输入特征首先通过输入卷积层进行通道变换 输出通道数为隐藏通道数的两倍随后特征被分为两 部分一部分直接传递另一部分通过 GhostLiteBottleneck 瓶颈层进行深度特征提取。所有 分支的特征通过通道拼接后经输出卷积层融合输出。 GhostLiteBottleneck 作为核心计算单元采用混合架 构先以 GhostConv 压缩通道并生成本征与冗余特 征再经 3×3 DWConv 建模空间依赖最后通过标 准卷积投影回输出通道若满足残差条件则将输入 与输出逐元素相加以促进梯度流动并加速收敛。