网站网页价格,广州品牌网站建设公司,网站建设贵不贵,吉安网页制作公司YOLOv7 1 摘要2 网络架构3 改进点4 和YOLOv4及YOLOR的对比 YOLO系列博文#xff1a; 【第1篇#xff1a;概述物体检测算法发展史、YOLO应用领域、评价指标和NMS】【第2篇#xff1a;YOLO系列论文、代码和主要优缺点汇总】【第3篇#xff1a;YOLOv1——YOLO的开山之作】【第… YOLOv7 1 摘要2 网络架构3 改进点4 和YOLOv4及YOLOR的对比 YOLO系列博文 【第1篇概述物体检测算法发展史、YOLO应用领域、评价指标和NMS】【第2篇YOLO系列论文、代码和主要优缺点汇总】【第3篇YOLOv1——YOLO的开山之作】【第4篇YOLOv2——更好、更快、更强】【第5篇YOLOv3——多尺度预测】【第6篇YOLOv4——最优速度和精度】【第7篇YOLOv5——使用Pytorch框架、AutoAnchor、多尺度预训练模型】【第8篇YOLOv6——更高的并行度、引入量化和蒸馏以提高性能加速推理】【第9篇YOLOv7——跨尺度特征融合】【第10篇YOLOv8——集成检测、分割和跟踪能力】【第11篇YOLO变体——YOLOTransformers、DAMO、PP、NAS】【第12篇YOLOv9——可编程梯度信息(PGI)广义高效层聚合网络(GELAN)】【第13篇YOLOv10——实时端到端物体检测】【第14篇YOLOv11——在速度和准确性方面具有无与伦比的性能】【第15篇完结讨论和未来展望】 1 摘要
发表日期2022年7月作者Wong Kin-Yiu, Alexey Bochkovskiy, Chien-Yao Wang论文YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors代码https://github.com/WongKinYiu/yolov7主要优缺点 在COCO数据集上达到新的速度与精度平衡跨尺度特征融合提高对不同尺度物体的检测能力改进训练过程中的标签分配方式提高训练效率。
2 网络架构
2022年7月YOLOv7由YOLOv4和YOLOR的同一组作者发布在ArXiv上。当时它在5 FPS到160 FPS的速度范围内在速度和精度上超过了所有已知的目标检测器。与YOLOv4一样它仅使用MS COCO数据集进行训练而没有使用预训练的Backbone。YOLOv7提出了一些架构上的改进和一系列bag-of-freebies这些改进提高了准确性但不影响推理速度只增加了训练时间。
下图展示了YOLOv7的详细架构。 3 改进点
YOLOv7的架构变化包括
扩展高效层聚合网络E-ELANELAN是一种通过控制最短最长梯度路径使深度模型能够更高效地学习和收敛的策略。YOLOv7提出了E-ELAN适用于具有无限堆叠计算块的模型。E-ELAN通过打乱和合并基数来结合不同组的特征增强网络的学习能力而不破坏原始的梯度路径。基于拼接模型的模型缩放通过调整一些模型属性生成不同大小的模型。YOLOv7的架构是基于拼接的架构在这种架构中标准的缩放技术如深度缩放会导致过渡层输入通道和输出通道之间的比例变化从而导致模型硬件利用率的下降。YOLOv7提出了一种新的缩放策略其中块的深度和宽度以相同的因子缩放以保持模型的最佳结构。
YOLOv7中使用的bag-of-freebies包括
计划重参数化卷积类似于YOLOv6YOLOv7的架构也受到重参数化卷积RepConv[98] 的启发。然而他们发现RepConv中的恒等连接会破坏ResNet [61] 中的残差和DenseNet [109] 中的拼接。因此他们移除了恒等连接并将其称为RepConvN。辅助头的粗标签分配和主头的细标签分配主头负责最终输出而辅助头则帮助训练。卷积-批量归一化-激活中的批量归一化这将批量归一化的均值和方差集成到卷积层的偏置和权重中以便在推理阶段使用。受YOLOR启发的隐性知识。**指数移动平均EMA**作为最终推理模型。
4 和YOLOv4及YOLOR的对比
YOLOv7相对于同一组作者开发的先前YOLO模型的改进如下
与YOLOv4相比YOLOv7参数量减少了75%计算量减少36%同时AP提高了1.5%。与YOLOv4-tiny相比YOLOv7-tiny分别减少了39%的参数量和49%的计算量同时保持了相同的AP。与YOLOR相比YOLOv7分别减少了43%的参数量和15%的计算量并且AP略微提高了0.4%。
在MS COCO 2017测试开发集上的评估显示YOLOv7-E6在输入尺寸为1280像素的情况下在NVIDIA V100上以50 FPS的速度达到了55.9%的AP和73.5%的AP50。
