一、本文介绍

本文记录的是基于MCA注意力模块的YOLOv10目标检测改进方法研究。普通的轴向注意力难以实现长距离交互，不利于捕获分割任务中所需的空间结构或形状，而MCA注意力模块通过构建了两个并行轴向注意力之间的交互，更有效地利用多尺度特征和全局上下文，在改进YOLOv10的过程中，能够契合目标形态，更有效的获取目标的全局信息。

---

二、MCANet原理

MCANet：基于多尺度交叉轴关注的医学图像分割

MCANet（Medical Image Segmentation with Multi - Scale Cross - Axis Attention）是一种用于医学图像分割的网络，其核心组件是多尺度交叉轴注意力（Multi - Scale Cross - Axis Attention，MCA）。

2.1 MCA的原理：

1. 回顾轴向注意力：
   • 轴向注意力将自注意力分解为两个部分，分别负责沿水平或垂直维度计算自注意力，基于此，Axial - DeepLab可沿水平和垂直方向依次聚合特征，使捕获全局信息成为可能。
   • 轴向注意力比自注意力更高效，计算复杂度从$O(HW\times HW)$降低到$O(HW\times (H+W))$。
   • 但在许多医学图像分割任务中，数据集相对较小，轴向注意力难以实现长距离交互，不利于捕获分割任务中所需的空间结构或形状。
2. 多尺度交叉轴注意力：
   • MCA结构分为两个并行分支，分别计算水平和垂直轴向注意力，每个分支由三个不同核大小的1D卷积组成，用于沿一个空间维度编码多尺度上下文信息，随后通过交叉轴注意力沿另一个空间维度聚合特征。
   • 以顶部分支为例，给定特征图$F$（编码器最后三个阶段特征图的组合），使用三个并行的1D卷积对其进行编码，输出通过求和融合并送入一个$1\times 1$卷积，公式为$F_x=Con{v}_{1\times 1}\left({\sum }_{i=0}^{2}Conv1D_i^x(Norm(F))\right)$，其中$Conv1D_i^x(\cdot )$表示沿$x$轴维度的1D卷积，$Norm(\cdot )$是层归一化，$F_x$是输出。对于1D卷积的核大小，设置为$1\times 7$、$1\times 11$和$1\times 21$。底部分支的输出$F_y$可通过类似方式得到。
   • 对于顶部分支的$F_x$，将其送入$y$轴注意力，为更好地利用来自两个空间方向的多尺度卷积特征，计算$F_x$和$F_y$之间的交叉注意力，具体将$F_x$作为键和值矩阵，$F_y$作为查询矩阵，计算过程为$F_T=MHC{A}_y(F_y,F_x,F_x)$，其中$MHC{A}_y(\cdot ,\cdot ,\cdot )$表示沿$x$轴的多头交叉注意力。底部分支以类似方式编码沿$y$轴方向的上下文，即$F_B=MHC{A}_x(F_x,F_y,F_y)$，其中$MHC{A}_x(\cdot ,\cdot ,\cdot )$表示沿$y$轴的多头交叉注意力。
   • MCA的输出为$F_{out}=Con{v}_{1\times 1}(F_T)+Con{v}_{1\times 1}(F_B)+F$。

2.2 MCA的优势：

1. 引入轻量级多尺度卷积：处理病变区域或器官各种大小和形状的有效方式。
2. 创新的注意力机制：与大多数以前的工作不同，MCA不直接应用轴向注意力来捕获全局上下文，而是构建两个并行轴向注意力之间的交互，更有效地利用多尺度特征和全局上下文。
3. 解码器轻量级：微小型号的模型参数数量仅为$0.14M$，更适合实际应用场景。

论文：https://arxiv.org/pdf/2312.08866v1
源码：https://github.com/haoshao-nku/medical_seg

三、MCA的实现代码

MCA模块的实现代码如下：

class StdPool(nn.Module) :def __init__(self):super(StdPool, self).__init__()def forward (self, x):b, c, _, _ = x.size()std = x.view(b, c, -1).std(dim=2, keepdim=True)std = std.reshape(b, c, 1, 1)return stdclass MCAGate (nn.Module):def __init__(self, k_size, pool_types=['avg', 'std']):super(MCAGate, self).__init__()self.pools = nn.ModuleList([])for pool_type in pool_types:if pool_type == 'avg':self.pools.append(nn.AdaptiveAvgPool2d(1))elif pool_type == 'max':self.pools.append(nn.AdaptiveMaxPool2d(1))elif pool_type == 'std':self.pools.append(StdPool())else:raise NotImplementedErrorself.conv = nn.Conv2d(1, 1, kernel_size=(1, k_size),  stride=1, padding=(0, (k_size - 1) // 2), bias=False)self.sigmoid = nn.Sigmoid()self.weight = nn.Parameter(torch.rand(2))def forward(self, x):feats = [pool(x) for pool in self.pools]if len(feats) == 1:out = feats[0]elif len(feats) == 2:weight = torch.sigmoid(self.weight)out = 1/2*(feats[0] + feats[1]) + weight[0] * feats[0] + weight[1] * feats[1]else:assert False, "特征提取异常"out = out.permute(0, 3, 2, 1).contiguous()out = self.conv(out)out = out.permute(0, 3, 2, 1).contiguous()out = self.sigmoid(out)out = out.expand_as(x)return x * outclass MCA(nn.Module):def __init__(self, channel, no_spatial=False): """Constructs a MCA module.Args:inp: Number of channels of the input feature mapsno_spatial: whether to build channel dimension interactions"""super(MCA, self).__init__()lambd = 1.5gamma = 1temp = round(abs((math.log2(channel) - gamma) / lambd))kernel = temp if temp % 2 else temp - 1self.h_cw = MCAGate(3)self.w_hc = MCAGate(3)self.no_spatial = no_spatialif not no_spatial:self.c_hw = MCAGate(kernel)def forward(self, x):x_h = x.permute(0, 2, 1, 3).contiguous()x_h = self.h_cw(x_h)x_h = x_h.permute(0, 2, 1, 3).contiguous() x_w = x.permute(0, 3, 2, 1).contiguous()x_w = self.w_hc(x_w)x_w = x_w.permute(0, 3, 2, 1).contiguous() if not self.no_spatial:   x_c = self.c_hw(x)x_out = 1 / 3 * (x_c + x_h + x_w)else:x_out = 1 / 2 * (x_h + x_w)return x_out

---

四、添加步骤

4.1 改进点1

模块改进方法1️⃣：直接加入MCA模块。
MCA模块添加后如下：

注意❗：在5.2和5.3小节中需要声明的模块名称为：MCA。

4.2 改进点2⭐

模块改进方法2️⃣：基于MCA模块的C2f。

相较方法一中的直接插入注意力模块，利用注意力模块对卷积等其他模块进行改进，其新颖程度会更高一些，训练精度可能会表现的更高。

第二种改进方法是对YOLOv10中的C2f模块进行改进，MCA注意力模块通过构建了两个并行轴向注意力之间的交互，更有效地利用多尺度特征和全局上下文，在加入到C2f模块后，能够更加契合目标形态，更有效的获取目标的全局信息。

改进代码如下：

class MCARepNCSPELAN4(nn.Module):# csp-elandef __init__(self, c1, c2, c3, c4, c5=1):  # ch_in, ch_out, number, shortcut, groups, expansionsuper().__init__()self.c = c3//2self.cv1 = Conv(c1, c3, 1, 1)self.cv2 = nn.Sequential(RepNCSP(c3//2, c4, c5), MCA(c4))self.cv3 = nn.Sequential(RepNCSP(c4, c4, c5), MCA(c4))self.cv4 = Conv(c3+(2*c4), c2, 1, 1)def forward(self, x):y = list(self.cv1(x).chunk(2, 1))y.extend((m(y[-1])) for m in [self.cv2, self.cv3])return self.cv4(torch.cat(y, 1))def forward_split(self, x):y = list(self.cv1(x).split((self.c, self.c), 1))y.extend(m(y[-1]) for m in [self.cv2, self.cv3])return self.cv4(torch.cat(y, 1))

注意❗：在5.2和5.3小节中需要声明的模块名称为：C2f_MCA。

---

五、添加步骤

5.1 修改ultralytics/nn/modules/block.py

此处需要修改的文件是ultralytics/nn/modules/block.py

block.py中定义了网络结构的通用模块，我们想要加入新的模块就只需要将模块代码放到这个文件内即可。

将MCA和C2f_MCA模块代码添加到此文件下。

5.2 修改ultralytics/nn/modules/init.py

此处需要修改的文件是ultralytics/nn/modules/__init__.py

__init__.py文件中定义了所有模块的初始化，我们只需要将block.py中的新的模块命添加到对应的函数即可。

MCA和C2f_MCA在block.py中实现，所有要添加在from .block import：

from .block import (C1,C2,...MCA,C2f_MCA
)

5.3 修改ultralytics/nn/modules/tasks.py

在tasks.py文件中，需要在两处位置添加各模块类名称。

首先：在函数声明中引入MCA和C2f_MCA

其次：在parse_model函数中注册MCA和C2f_MCA模块

---

六、yaml模型文件

6.1 模型改进版本一

在代码配置完成后，配置模型的YAML文件。

此处以ultralytics/cfg/models/v10/yolov10m.yaml为例，在同目录下创建一个用于自己数据集训练的模型文件yolov10m-MCA.yaml。

将yolov10m.yaml中的内容复制到yolov10m-MCA.yaml文件下，修改nc数量等于自己数据中目标的数量。
在骨干网络中添加MCA模块，只需要填入一个参数，通道数。

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 1 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'# [depth, width, max_channels]m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs# YOLOv8.0n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, SCDown, [512, 3, 2]] # 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, SCDown, [1024, 3, 2]] # 7-P5/32- [-1, 3, C2fCIB, [1024, True]]- [-1, 1, MCA, [1024]]- [-1, 1, SPPF, [1024, 5]] # 10- [-1, 1, PSA, [1024]] # 11# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 3, C2f, [512]] # 14- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 3, C2f, [256]] # 17 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 14], 1, Concat, [1]] # cat head P4- [-1, 3, C2fCIB, [512, True]] # 20 (P4/16-medium)- [-1, 1, SCDown, [512, 3, 2]]- [[-1, 11], 1, Concat, [1]] # cat head P5- [-1, 3, C2fCIB, [1024, True]] # 23 (P5/32-large)- [[17, 20, 23], 1, v10Detect, [nc]] # Detect(P3, P4, P5)

6.2 模型改进版本二⭐

此处同样以ultralytics/cfg/models/v10/yolov10m.yaml为例，在同目录下创建一个用于自己数据集训练的模型文件yolov10m-C2f_MCA.yaml。

将yolov10m.yaml中的内容复制到yolov10m-C2f_MCA.yaml文件下，修改nc数量等于自己数据中目标的数量。

📌 模型的修改方法是将骨干网络中的所有C2f模块替换成C2f_MCA模块。

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 1 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'# [depth, width, max_channels]m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs# YOLOv8.0n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 3, C2f_MCA, [128, True]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 6, C2f_MCA, [256, True]]- [-1, 1, SCDown, [512, 3, 2]] # 5-P4/16- [-1, 6, C2f_MCA, [512, True]]- [-1, 1, SCDown, [1024, 3, 2]] # 7-P5/32- [-1, 3, C2fCIB, [1024, True]]- [-1, 1, SPPF, [1024, 5]] # 9- [-1, 1, PSA, [1024]] # 10# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 3, C2f, [512]] # 13- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 3, C2f, [256]] # 16 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 13], 1, Concat, [1]] # cat head P4- [-1, 3, C2fCIB, [512, True]] # 19 (P4/16-medium)- [-1, 1, SCDown, [512, 3, 2]]- [[-1, 10], 1, Concat, [1]] # cat head P5- [-1, 3, C2fCIB, [1024, True]] # 22 (P5/32-large)- [[16, 19, 22], 1, v10Detect, [nc]] # Detect(P3, P4, P5)

---

七、成功运行结果

分别打印网络模型可以看到MCA和C2f_MCA已经加入到模型中，并可以进行训练了。

YOLOv10m-MCA：

                  from  n    params  module                                       arguments                     0                  -1  1      1392  ultralytics.nn.modules.conv.Conv             [3, 48, 3, 2]                 1                  -1  1     41664  ultralytics.nn.modules.conv.Conv             [48, 96, 3, 2]                2                  -1  2    111360  ultralytics.nn.modules.block.C2f             [96, 96, 2, True]             3                  -1  1    166272  ultralytics.nn.modules.conv.Conv             [96, 192, 3, 2]               4                  -1  4    813312  ultralytics.nn.modules.block.C2f             [192, 192, 4, True]           5                  -1  1     78720  ultralytics.nn.modules.block.SCDown          [192, 384, 3, 2]              6                  -1  4   3248640  ultralytics.nn.modules.block.C2f             [384, 384, 4, True]           7                  -1  1    228672  ultralytics.nn.modules.block.SCDown          [384, 576, 3, 2]              8                  -1  2   1689984  ultralytics.nn.modules.block.C2fCIB          [576, 576, 2, True]           9                  -1  1        10  ultralytics.nn.modules.block.MCA             [576, 576]                    10                  -1  1    831168  ultralytics.nn.modules.block.SPPF            [576, 576, 5]                 11                  -1  1   1253088  ultralytics.nn.modules.block.PSA             [576, 576]                    12                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          13             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           14                  -1  2   1993728  ultralytics.nn.modules.block.C2f             [960, 384, 2]                 15                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          16             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           17                  -1  2    517632  ultralytics.nn.modules.block.C2f             [576, 192, 2]                 18                  -1  1    332160  ultralytics.nn.modules.conv.Conv             [192, 192, 3, 2]              19            [-1, 14]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           20                  -1  2    831744  ultralytics.nn.modules.block.C2fCIB          [576, 384, 2, True]           21                  -1  1    152448  ultralytics.nn.modules.block.SCDown          [384, 384, 3, 2]              22            [-1, 11]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           23                  -1  2   1911168  ultralytics.nn.modules.block.C2fCIB          [960, 576, 2, True]           24        [17, 20, 23]  1   2282134  ultralytics.nn.modules.head.v10Detect        [1, [192, 384, 576]]          
YOLOv10m-MCA summary: 511 layers, 16485296 parameters, 16485280 gradients, 64.0 GFLOPs

YOLOv10m-C2f_MCA：

                   from  n    params  module                                       arguments                     0                  -1  1      1392  ultralytics.nn.modules.conv.Conv             [3, 48, 3, 2]                 1                  -1  1     41664  ultralytics.nn.modules.conv.Conv             [48, 96, 3, 2]                2                  -1  2    130206  ultralytics.nn.modules.block.C2f_MCA         [96, 96, True]                3                  -1  1    166272  ultralytics.nn.modules.conv.Conv             [96, 192, 3, 2]               4                  -1  4   1036860  ultralytics.nn.modules.block.C2f_MCA         [192, 192, True]              5                  -1  1     78720  ultralytics.nn.modules.block.SCDown          [192, 384, 3, 2]              6                  -1  4   4138052  ultralytics.nn.modules.block.C2f_MCA         [384, 384, True]              7                  -1  1    228672  ultralytics.nn.modules.block.SCDown          [384, 576, 3, 2]              8                  -1  2   1689984  ultralytics.nn.modules.block.C2fCIB          [576, 576, 2, True]           9                  -1  1    831168  ultralytics.nn.modules.block.SPPF            [576, 576, 5]                 10                  -1  1   1253088  ultralytics.nn.modules.block.PSA             [576, 576]                    11                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          12             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           13                  -1  2   1993728  ultralytics.nn.modules.block.C2f             [960, 384, 2]                 14                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          15             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           16                  -1  2    517632  ultralytics.nn.modules.block.C2f             [576, 192, 2]                 17                  -1  1    332160  ultralytics.nn.modules.conv.Conv             [192, 192, 3, 2]              18            [-1, 13]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           19                  -1  2    831744  ultralytics.nn.modules.block.C2fCIB          [576, 384, 2, True]           20                  -1  1    152448  ultralytics.nn.modules.block.SCDown          [384, 384, 3, 2]              21            [-1, 10]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           22                  -1  2   1911168  ultralytics.nn.modules.block.C2fCIB          [960, 576, 2, True]           23        [16, 19, 22]  1   2282134  ultralytics.nn.modules.head.v10Detect        [1, [192, 384, 576]]          
YOLOv10m-C2f_MCA summary: 747 layers, 17617092 parameters, 17617076 gradients, 70.8 GFLOPs