——将SimAM注意力与C2f模块融合实现性能跃升)
摘要
在计算机视觉目标检测领域，YOLOv8凭借其卓越的速度与精度平衡已成为工业界和学术界的首选模型之一。然而，在复杂场景下（如遮挡、小目标、光照变化等），传统C2f模块的特征提取能力仍有提升空间。本文提出一种新颖的改进方案——A2C2f (Attention-Augmented C2f)，通过将C2f模块中的部分Bottleneck替换为融合SimAM（Simple Parameter-Free Attention Module）无参数注意力的增强型卷积模块，在不显著增加模型参数量的前提下，显著提升模型对重要特征的关注能力。本文详细阐述了A2C2f的设计思想、数学原理、代码实现、训练策略，并在COCO、VOC、DOTA等多个数据集上进行对比实验。实验结果表明，改进后的模型在mAP@0.5指标上提升2.3%，在mAP@0.5:0.95指标上提升1.8%，而推理速度仅下降3%左右，充分证明了A2C2f模块的有效性和实用性。本文提供的完整代码及训练配置可供研究者直接复现和应用。
关键词：YOLOv8；目标检测；注意力机制；SimAM；C2f模块；A2C2f
1. 引言
1.1 研究背景
目标检测作为计算机视觉的核心任务之一，其目标是在图像中定位并识别出感兴趣的目标物体。近年来，基于深度学习的目标检测算法取得了长足进步，其中YOLO系列算法凭借其“端到端”的回归思想和极高的推理速度，成为实时目标检测领域的标杆。从YOLOv1到YOLOv8，每个版本都在网络结构、损失函数、数据增强等方面进行了深度优化。
YOLOv8作为Ultralytics团队于2023年发布的最新版本，其核心创新在于引入了C2f（Cross Stage
