目标检测-One Stage-YOLOv7

前言

自YOLOv4之后，其作者提出一些新的trciks，YOLOv7诞生主要贡献分为以下3个方面

1. 设计了几种训练tricks（bag-of-freebies），使得实时目标检测可以在不增加推理成本的情况下大大提高检测精度
2. 针对目标检测领域现有的两个问题提出解决方案：一是模块重参化如何高效合并，二是动态标签分配策略如何处理好不同输出层的分配

ps：

• 模型重参化就是在推理阶段将多个模块合并为一个计算模块，YOLOv6的RepVGG Style就是基于这种策略设计的
• YOLOv6的是SimOTA就是一种动态标签分配策略，除此外还有ATSS、OTA、TAL等方法

3. 提出了一种新型的模型缩放方法-基于级联模型的复合缩放方法，可以更加高效地利用参数和计算量，减少实时探测器50%的参数，使其具备更快的推理速度和更高的检测精度。

提示：以下是本篇文章正文内容，下面内容可供参考

一、YOLOv7的不同版本

YOLOv7给出了以下版本：

• 基础版本
  • YOLOv7-tiny(边缘GPU)、YOLOv7(普通GPU)、YOLOv7-W6(云GPU)
• 缩放版本
  • YOLOv7-X：基于YOLOv7，对neck部分进行stage缩放+使用新的模型缩放法对整个模型部分进行depth和width缩放
  • YOLOv7-E6：基于YOLOv7-W6，使用新的模型缩放法进行了depth缩放
  • YOLOv7-D6：基于YOLOv7-W6，使用新的模型缩放法进行了depth和width缩放
  • YOLOv7-E6E：基于YOLOv7-E6，使用E-ELAN替换ELAN

二、YOLOv7的网络结构

YOLOv7基础版本是anchor-based的，和YOLOv5比较相似，除数据增强外，在输入端都使用了自适应锚框计算、自适应图片缩放，并将Neck和Head合称Head层。

YOLOv7的网络结构图如下，可以看出改动在于：

1. backbone：
   • 卷积块：与YOLOv5相比，将CBL卷积模块改为不同卷积核大小的CBS（激活函数从Leaky relu改为SiLU）
   • 残差块：与YOLOv5相比，将CSP_1残差块修改为ELAN，ELAN 由多个 CBS 模块堆叠组成，含有丰富的梯