YOLOv7先容
YOLOv7论文在上个月6号挂在了Arxiv上之后，引起了巨大轰动，短短一个月的时间，Github上就有了4.3k个Star。
 从论文题目可以看出来，YOLOv7又是一个集大成者的佳构；从Github源码可以看出， 团体结构与YOLOv5极其相似，因此有YOLOov5基础的小同伴可以无脑上手v7。
另外来看下v7的两位大牛作者，一作是 Chien-Yao Wang，近几年一直耕耘在目标检测范畴，尤其是YOLO系列，代表作：YOLOv7、YOLOR、ScaledYOLOv4、CSPNet等。二作是 Alexey Bochkovskiy，就是在20年Joseph Redmon公布退出CV范畴后扛起YOLO系列大旗并发布YOLOv4的那位大神。
团体网络架构
YOLOv7完整网络架构以及各组件的详细剖析可以移步至：【YOLOv7_0.1】网络结构与源码剖析，这里从另一个角度来相识YOLOov7的网络架构：
 上面这张图是根据我现在的理解，对YOLOv7的团体结构举行的拆分，大概会有不准确的地方，欢迎各位小同伴前来交流~
可以很清楚的看到，YOLOv7大部分继承自YOLOv5，包罗团体网络架构、设置文件的设置和训练、推理、验证过程等等，根本上认识v5就可以无脑上手v7了；别的，v7也有不少继承自YOLOR，毕竟是同一个作者前后年的工作，包罗差别网络的筹划、超参数设置以及隐性知识学习的参加；另有就是在正样本匹配时仿照了YOLOX的SimOTA策略。
除了这些在已有YOLO版本中的算法之外，YOLOv7还包罗了近几年最新的trick：高效聚合网络（现在论文还未接收）、重参数化卷积、辅助头检测、模型缩放等等，因此学习YOLOv7还是非常有代价的。
高效聚合网络
 图a和图b是之前常用的特征提取网络，图c则是YOLOv7告急用到的ELAN网络，固然有引文，但是并没有任何详细资料来学习，对此，作者是这么说的：
ELAN paper will be released after accept at the latest.
好叭，那就再等等。图d是对ELAN的改进，其等效网络就是下面这个，也就是两个ELAN（红框里）的Concat，作者的解释是：
For E-ELAN architecture, since our edge device do not support group convolution and shuffle operation, we are forced to implement it as an equivalence architecture.
重参数化卷积
重参数化的作用：在包管模型性能的条件下加快网络，告急是对卷积+BN层以及差别卷积举行融合，归并为一个卷积模块。
下面给出了卷积+BN融合的公式化过程，赤色表现卷积参数（权重和偏置），蓝色是BN参数（ m m m是输入均值， v v v是输入尺度差， γ \gamma γ和 β \beta β是两个可学习的参数），最终颠末一系列化简，融合成了一个卷积：
 在YOLOv7中，除了网络最后使用RepConv重参数化卷积之外，作者也提到了其他三处使用重参数化本事的地方：
we perform reparameterization on conv-bn, repconv, orepa, and yolor.
对应model/yolo.py中model类的fuse函数（这里）：
辅助头检测
YOLOv7中，将head部分的浅层特征提取出来作为Aux head（辅助头），深层特征也就是网络的最终输出作为Lead head（引导头），如图b所示。
在盘算丧失时：
- 图c的策略是，lead head和aux head分别、单独盘算丧失，最终相加
- 图d的策略是，lead head单独盘算丧失，aux head将lead head匹配得到的正样本作为本身的正样本，并盘算丧失，最终相加（占比差别）
- 图e的策略是，lead head单独盘算丧失，aux head将lead head匹配得到的正样本（这里是粗匹配，也就是选择GT框中央点地点网格的上下左右4个邻域网络作为正样本筛选地域）作为本身的正样本，并盘算丧失，最终相加（占比差别）
 以training/yolov7-w6.yaml为例，最后detect模块的前四层为lead head，后四层为aux head，在推理时，只取前四层作为detect层的输出：
动态标签分配
YOLOv7的标签分配策略（正样本筛选），集成了YOLOv5和YOLOX两者的英华：
- YOLOv5
Step1：Autoanchor策略，获得数据集最佳匹配的9个anchor（可选）
Step2：根据GT框与anchor的宽高比，过滤掉不符合的anchor
Step3：选择GT框的中央网格以及最邻近的2个邻域网格作为正样本筛选地域（辅助头则选择周围4个邻域网格）
- YOLOX
Step4：盘算GT框与正样本IOU并从大到小排序，选取前10个值举行求和（P6前20个），并取整作为当前GT框的K值
Step5：根据丧失函数盘算每个GT框和候选anchor的丧失，保存丧失最小的前K个
Step6：去掉同一个anchor被分配到多个GT框的情况
总结
概括：
- YOLOv7在5FPS到160FPS的范围内，无论是速率或是精度，都超过了现在已知的检测器
- 在V100上举行测试， 精度为56.8%AP的模型可到达30FPS（batch=1）以上的检测速率
- 现在唯逐一款在云云高精度下仍能超过30FPS的检测器
不敷：
- 代码冗余，版本更新问题
- 精度虚高（参考：如何评价AlexeyAB版的YOLOv7？）
- 验证时数据预处理的图像缩放异常（没有做padding操纵）
- 验证时的NMS异常（应该是multi_label = False）
参考资料
目标检测算法——YOLOV7——详解
如何评价AlexeyAB版的YOLOv7？
来源：https://blog.csdn.net/weixin_43799388/article/details/126314633
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！ |
