yolov3改进的地方（【YOLOv7】主要改进点详解）
YOLOv7介绍
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杰作；从Github源码可以看出 ， 整体结构与YOLOv5极其相似 ，因此有YOLOov5基础的小伙伴可以无脑上手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领域 ，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宣布退出CV领域后扛起YOLO系列大旗并发布YOLOv4的那位大神 。
整体网络架构
YOLOv7完整网络架构以及各组件的详细解析可以移步至：【YOLOv7_0.1】网络结构与源码解析 ，这里从另一个角度来了解YOLOov7的网络架构：
上面这张图是根据我目前的理解 ，对YOLOv7的整体结构进行的拆分 ，可能会有不正确的地方 ，欢迎各位小伙伴前来交流~
可以很清楚的看到 ，YOLOv7大部分继承自YOLOv5 ，包括整体网络架构 、配置文件的设置和训练 、推理 、验证过程等等 ，基本上熟悉v5就可以无脑上手v7了；此外 ，v7也有不少继承自YOLOR ，毕竟是同一个作者前后年的工作 ，包括不同网络的设计 、超参数设置以及隐性知识学习的加入；还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还包括了近几年最新的trick：高效聚合网络（目前论文还未接收） 、重参数化卷积 、辅助头检测 、模型缩放等等 ，因此学习YOLOv7还是非常有价值的 。
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主要用到的ELAN网络 ，虽然有引文 ，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：在保证模型性能的条件下加速网络 ，主要是对卷积+BN层以及不同卷积进行融合 ，合并为一个卷积模块 。
下面给出了卷积+BN融合的公式化过程 ，红色表示卷积参数（权重和偏置） ，蓝色是BN参数（
m
m
m是输入均值 ，v
v
v是输入标准差 ，γ
\gamma
γ和β
\beta
β是两个可学习的参数） ，最终经过一系列化简 ，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技巧的地方：
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 。
在计算损失时：
图c的策略是 ，lead head和aux head分别 、单独计算损失 ，最终相加 图d的策略是 ，lead head单独计算损失 ，aux head将lead head匹配得到的正样本作为自己的正样本 ，并计算损失 ，最终相加（占比不同） 图e的策略是 ，lead head单独计算损失 ，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框中心点所在网格的上下左右4个邻域网络作为正样本筛选区域）作为自己的正样本 ，并计算损失 ，最终相加（占比不同）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两者的精华：
YOLOv5Step1：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 ，过滤掉不合适的anchor
Step3：选择GT框的中心网格以及最邻近的2个邻域网格作为正样本筛选区域（辅助头则选择周围4个邻域网格） YOLOXStep4：计算GT框与正样本IOU并从大到小排序 ，选取前10个值进行求和（P6前20个） ，并取整作为当前GT框的K值
Step5：根据损失函数计算每个GT框和候选anchor的损失 ，保留损失最小的前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 ，无论是速度或是精度 ，都超过了目前已知的检测器 在V100上进行测试 ， 精度为56.8%AP的模型可达到30FPS（batch=1）以上的检测速率 目前唯一一款在如此高精度下仍能超过30FPS的检测器不足：
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操作） 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？创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！