yolov4网络结构（yolov7 网络架构深度解析）

在美团yolov6刚出来不到一个月   
    
    
，yolov4的官方人马yolov7带着论文和代码高调现身


     


     


     ，迅速霸屏 




 




 



，膜拜下速度和精度：

四个字“多快好省   
    
    
”   

   

   

，yolov7依旧基于anchor based的方法

     

     

    ，同时在网络架构上增加E-ELAN层
  




  




  


，并将REP层也加入进来  


  


  


，方便后续部署 
     
     
   ，同时在训练时

   




   




   

，在head时 



 



 



，新增Aux_detect用于辅助检测              ，个人理解是对预测结果的一种初筛


    




    




    
，有种two-stage的感觉（欢迎打脸）   
    
    
。

网上基于yolov7的解读有很多














，文末会附上yolov7的ariv论文连接和开源代码的github链接


     


     


     。本文先和大家分享下整个yolov7的网络架构（基于tag0.1版本的yolov7L）              ，后续再基于各个模块根据自己的理解分享给大家 




 




 



。

整体框架

如果大家需文中ppt使用


     



     



     ，请点击下方链接














，关注公众号   
    
    
，后台添加微信


     


     


     ，领取 




 




 



，备注“ppt


     


     


     ”   

   

   

。 yolov7网络架构深度解析

以上为yolov7整体的网络架构   

   

   

，从图中可看出yolov7网络由三个部分组成：input

     

     

    ，backbone和head
  




  




  


，与yolov5不同的是  


  


  


，将neck层与head层合称为head层 
     
     
   ，实际上的功能的一样的

     

     

    。对各个部分的功能和yolov5相同

   




   




   

，如backbone用于提取特征 



 



 



，head用于预测
  




  




  


。

根据上图的架构图走一遍网络流程：先对输入的图片预处理              ，对齐成640*640大小的RGB图片


    




    




    
，输入到backbone网络中














，根据backbone网络中的三层输出              ，在head层通过backbone网络继续输出三层不同size大小的feature map（以下简称fm）


     



     



     ，经过RepVGG block 和conv














，对图像检测的三类任务（分类   
    
    
、前后背景分类


     


     


     、边框）预测   
    
    
，输出最后的结果  


  


  


。

backbone

yolov7的backbone层如上图所示


     


     


     ，由若干BConv层 




 




 



、E-ELAN层以及MPConv层组成 




 




 



，其中BConv层由卷积层+BN层+激活函数组成   

   

   

，在tag0.1版本中的激活函数为ReakyReLu 
     
     
   。

不同颜色的Bconv表示卷积的kernel不同（以下k表示kernel长宽大小

     

     

    ，s表示stride, o为outchannel, i为inchannel, 其中o=i表示outchannel=inchannel, o≠i表示outchannel与inchannel无相关性
  




  




  


，并非其值一定不相等）  


  


  


，第一个为（k=1,s=1）的点卷积核的卷积 
     
     
   ，输入输出的长宽不变

   




   




   

，第二个为（k=3,s=1）卷积核的卷积 



 



 



，输出输出的长宽也不变              ，第三个是s=2,输出的长宽为输入的一半

   




   




   

。上述不同颜色的Bconv主要为了区分k和s


    




    




    
，不区分输入输出通道 



 



 



。

E-ELAN层也是由不同的卷积拼接而成














，如下图所示：

整个E-ELAN层输入输出的长宽不变              ，channel上o=2i, 其中2i是由4个conv层输出channel为i/2的输出concate拼接而成              。

MPConv层（名字自取的


     



     



     ，如果有实际确定的命名














，欢迎私聊我改正）流程如上图   
    
    
，输入输出通道相同


     


     


     ，输出长宽为输入长宽的一半 




 




 



，上分支通过maxpooling使长宽减半   

   

   

，通过BConv对通道减半

     

     

    ，下分支则通过第一个BConv对通道减半
  




  




  


，第二的k=3  


  


  


，s=2的Bconv对长宽减半 
     
     
   ，而后上下分支cat合并

   




   




   

，得到长宽减半 



 



 



，o=i的输出


    




    




    
。

综述整个backbone层由若干BConv层   

   

   

、E-ELAN层以及MPConv层交替减半长宽              ，增倍通道


    




    




    
，提取特征














。

head

如上图所示














，整个head层通过SPPCPC层

     

     

    、若干BConv层
  




  




  


、若干MPConv层  


  


  


、若干Catconv层以及后续输出三个head的RepVGG block层组成              。

其中SPPCPC层如下图：整个SPPCSPC层的输出层channel为out_channel              ，计算中会计算出一个hidden_channel = int(2eout_channel)


     



     



     ，用于对hidden_channel(以下统称hc)拓展














，一般取e=0.5   
    
    
，则hc=out_channel 


     



     



     。具体的流程如下图：

Catconv层（名字自取的


     


     


     ，如果有实际确定的命名 




 




 



，欢迎私聊我改正）与E-ELAN层的操作基本相同：

整个Catconv层输入输出的长宽不变   

   

   

，channel上o=2i, 其中2i是由6个conv层输出channel为i/2的输出concate拼接而成














。

REP层即repvgg_block层

     

     

    ，为今年超级火的一个部署友好的网络层
  




  




  


，yolov6中也有用到：

REP在训练和部署的时候结构不同  


  


  


，在训练的时候由33的卷积添加11的卷积分支 
     
     
   ，同时如果输入和输出的channel以及h,w的size一致时

   




   




   

，再添加一个BN的分支 



 



 



，三个分支相加输出              ，在部署时


    




    




    
，为了方便部署














，会将分支的参数重参数化到主分支上              ，取3*3的主分支卷积输出   
    
    
。

整个head层的流程为


     



     



     ，如上图所示输出三个feature map后














，分别通过三个REP和conv层输出三个不同size大小的未经处理的预测结果


     


     


     。

以上为个人理解   
    
    
，再看其他的yolov7网络架构


     


     


     ，会有DownC和ReOrg两个yolov7L中未出现的层 




 




 



，其中DownC层与MPConv层异曲同工：

ReOrg层与yolov5前期的focus层的切片原理相同 




 




 



。如有理解偏差   

   

   

，欢迎交流

     

     

    ，后续根据yolov7中各个模块中的详细的原理以及代码继续更新
  




  




  


，希望对大家有帮助   

   

   

。

【yolov7系列】网络框架细节拆解

参考：

[1] https://github.com/WongKinYiu/yolov7（官方github代码）

[2] https://arxiv.org/pdf/2207.02696.pdf(yolov7论文)

[3]https://www.zhihu.com/question/541985721

[4]YOLOv7官方开源 | Alexey Bochkovskiy站台  


  


  


，精度速度超越所有YOLO 
     
     
   ，还得是AB (qq.com)

[5] YOLOv7来临：论文详读和解析 (qq.com)

[6]【yolov6系列】细节拆解网络框架 (qq.com)