yolov4和yolov5哪个好（yolov7和yolov5对比有哪些优势？yolov7改进-yolov7详解）

YOLOv7发布至今已过去三个月  
  
  
  
  
  
  ，因为涉及到较多新的知识 
  
  
  
  
  
  
，可能读起来不算容易             。很多人还是依然选择使用YOLOv5 
 
  
 
  
 
  
 
  
 
  
 
  
 。但实际上最新版的YOLOv7比其他版本精密度和速率都要好












。下面详细给大家说明一下
  
  
  
  
  
  
 。

yolov7有哪些优势？

Yolov7超过了目前已知的所有检测器


 


 


 


 


 


 

，无论是从速度还是精度上 
 
 
 
 
 
 ，最高的模型AP值达到56.8%  
   
   
   
   
   
   
，有着30FPS 
  
  
  
  
  
  。Yolov7-E6检测器(56FPS  
  
  
  
  
  
  、55.9%AP)超过了所有的transformer-based的检测器如SWIN-L Cascade-Mask R-CNN(9.2FPS A100

 

 

 

 

 

 
，53.9AP)
 

 

 

 

 

 

 ，速度是其509%倍             ，精度提升2%;convolutional-based的检测器ConvNeXt-XL Cascade-Mask R-CNN(8.6FPS A100
 

 
 

 
 

 
 

 
 

 
 

 
 
，55.2%AP)












，速度是其551%倍                    ，精度提升0.7% 


 


 


 


 


 


 

。

YOLOv7 的发展方向与当前主流的实时目标检测器不同
 
 
 
 
 
 
 
 
 
 
 
 
 
，研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备
 
 
 
 
 
 
。除了架构优化之外


















，该研究提出的方法还专注于训练过程的优化              ，将重点放在了一些优化模块和优化方法上  
   
   
   
   
   
   。这可能会增加训练成本以提高目标检测的准确性
 
  
 
  
 
  
 
  
 
  
 
  
 
，但不会增加推理成本 

 

 

 

 

 

 
。

目标检测模型特性是如何提高的？

改善即时目标检测模型的特性












，通常可以从以下几个方面下手：

1 
  
  
  
  
  
  
、迅速更强大的网络结构;

2


 


 


 


 


 


 

、更高效的特点集成方法;

3 
 
 
 
 
 
 、最准确的检测方式;

4  
   
   
   
   
   
   
、更精准的交叉熵;

5

 

 

 

 

 

 
、更高效的标识分派方式;

6
 

 

 

 

 

 

 、更高效的训练法

 

 

 

 

 

 

。

YOLOv7首先从4             、5
 

 
 

 
 

 
 

 
 

 
 

 
 
、6下手设计方案特性更强的检查实体模型             。 最先   
  
  
  
  
  
  ，YOLOv7扩展了高效率程增强专注力互联网 
  
  
  
  
  
  
，称之为Extended-ELAN (通称E-ELAN)  
 

 
 

 
 

 
 

 
 

 
 

 
 。 在大规模ELAN中


 


 


 


 


 


 

，不管梯度方向路径长度和块总数怎样 
 
 
 
 
 
 ，互联网都达到了平衡状态













。 但如果无尽地层叠测算块  
   
   
   
   
   
   
，这类平衡状态也有可能被毁坏

 

 

 

 

 

 
，主要参数使用率会降低                   。 E-ELAN对数量 (Cardinality) 进行了拓展 (Expand) 












、乱序 (Shuffle)                     、合拼 (Merge cardinality) 
 

 

 

 

 

 

 ，可在不损害初始梯度方向途径的情形下             ，提升互联网学习的能力 
 
 
 
 
 
 
 
 
 
 
 
 
 。 在系统架构领域
 

 
 

 
 

 
 

 
 

 
 

 
 
，E-ELAN只影响了测算块里的系统架构












，没有变化过渡层的系统架构



















。

人工智能计算机视觉的研究方向非常广泛                    ，许多初学者找不到系统的学习方法
 
 
 
 
 
 
 
 
 
 
 
 
 
，我帮大家整理了一份60G的AI保姆级学习资料包


















，包括学习路线大纲
 
 
 
 
 
 
 
 
 
 
 
 
 
、经典书籍


















、论文              、深度学习机器学习教程
 
  
 
  
 
  
 
  
 
  
 
  
 
、计算机视觉实战项目代码             。

需要的关注我然后私信我发送【 321 】              ，看到会发