简单记录一下把 YOLOv5 的 DMMA 结构移植到 YOLOv12 的流程，以及当前的训练结果和下一步计划。

### YOLOv5 方案要点

• WindowAttention + minusSigmoid 构成 DMMA（models/newMSA3.py:24-110），对 q/k/v/m 做归一化、差分掩码计算再送入 softmax。

  
  

• SwinTransformerLayer 在窗口注意力输出后乘以 ECA 通道权重、并交替使用 SW-MSA（models/newMSA3.py:309-356）。

  
  

• C3STR 将上述 Swin 块内嵌到 C3 结构 (models/common2.py:367-379)，并在椭圆 YAML 中用于检测头。

  
  

当前 YOLOv12 实现

• ultralytics/nn/modules/transformer.py:431-696 新增 DMMALayer：重写 DMMA、ECA、DropPath、窗口划分等，移除 timm 依赖。

  
  

• ultralytics/nn/modules/block.py:475-517 定义 C2fDMMA，以 YOLOv12 默认的 C2f 结构封装 DMMA block。

  
  

• ultralytics/nn/modules/__init__.py:26、ultralytics/nn/tasks.py:32、ultralytics/nn/tasks.py:983、ultralytics/nn/tasks.py:1018 将新模块注册到构建流程。

• ultralytics/cfg/models/v12/yolov12-dmma.yaml:15-45 给出全新的 backbone/head，P4/P5 backbone 与 P3–P5 head 均替换为 C2fDMMA

  
  

移植一致性与差异

训练步骤

• Step1 配置环境

• Step2 配置数据集信息

  
  

• Step3 训练命令

  CUDA_VISIBLE_DEVICES=2 yolo detect train \
      model=ultralytics/cfg/models/v12/yolov12-dmma.yaml \
      data=data/masati.yaml \
      imgsz=640 \
      batch=32 \
      epochs=300 \
      device=0 \
      workers=8 \
      project=runs/detect \
      name=dmma_masati_gpu2_b24 \
      lr0=0.01 \
      scale=0.5 \
      mosaic=1.0 \
      mixup=0.1 \
      copy_paste=0.2 \
      amp=False

• Step4 训练

  
  

  训练部分每个 epoch 大约 14 秒，验证大概 3–4 秒。

  所以一整个 epoch（训练 + val）：18 秒/epoch。

  现在是 300 个 epoch，那总时间大约是：300 × 18 秒 ≈ 5400 秒 ≈ 1.5 小时

• Step5 结果展示

  
  

  mAP50：0.758（75.8%）

  Precision ≈ 0.90

• Step6 下一步训练

  # 用上一轮最好的权重继续训练
  yolo detect train \
      model=runs/detect/dmma_masati_gpu24/weights/best.pt \
      data=data/masati.yaml \
      imgsz=1024 \
      batch=24 \
      epochs=100 \
      device=2 \
      workers=8 \
      project=runs/detect \
      name=dmma_masati_gpu2_img1024 \
      lr0=0.01 \
      scale=0.5 \
      mosaic=1.0 \
      mixup=0.1 \
      copy_paste=0.2 \
      multi_scale=True \
      close_mosaic=20 \
      amp=True

•