YOLOV7详细解读（一）网络架构解读

YOLOV7详细解读

---

前言

继美团发布YOLOV6之后，YOLO系列原作者也发布了YOLOV7。
YOLOV7主要的贡献在于：

1.模型重参数化
YOLOV7将模型重参数化引入到网络架构中，重参数化这一思想最早出现于REPVGG中。
2.标签分配策略
YOLOV7的标签分配策略采用的是YOLOV5的跨网格搜索，以及YOLOX的匹配策略。
3.ELAN高效网络架构
YOLOV7中提出的一个新的网络架构，以高效为主。
4.带辅助头的训练
YOLOV7提出了辅助头的一个训练方法，主要目的是通过增加训练成本，提升精度，同时不影响推理的时间，因为辅助头只会出现在训练过程中。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、YOLOV7是什么？

YOLO算法作为one-stage目标检测算法最典型的代表，其基于深度神经网络进行对象的识别和定位，运行速度很快，可以用于实时系统。
YOLOV7是目前YOLO系列最先进的算法，在准确率和速度上超越了以往的YOLO系列。
了解YOLO是对目标检测算法研究的一个必须步骤。

二、网络架构

1、架构图总览

2、CBS模块解读

• 对于CBS模块，我们可以看从图中可以看出它是由一个Conv层，也就是卷积层，一个BN层，也就是Batch normalization层，还有一个Silu层，这是一个激活函数。
• silu激活函数是swish激活函数的变体，两者的公式如下所示

silu(x)=x⋅sigmoid(x)

swish(x)=x⋅sigmoid(βx)

• 从架构图中我们可以看出，CBS模块这里有三种颜色，三种颜色代表它们的卷积核（k）和步长(s)不同。
  首先最浅的颜色，也就是第一个CBS模块的颜色，它是一个1x1的卷积，stride(步长为1)。
  其次稍浅的颜色，也就是第二个CBS模块的颜色，它是一个3x3的卷积，stride(步长为1)。
  最后最深的颜色，也就是第三个CBS模块的颜色，它是一个3x3的卷积，stride(步长为2)。
• 1x1的卷积主要用来改变通道数。
• 3x3的卷积，步长为1，主要用来特征提取。
• 3x3的卷积，步长为2，主要用来下采样。

3、CBW模块解读

• CBW模块和CBS模块，我们可以看出来是基本一致的。
• 由一个Conv层，也就是卷积层，一个BN层，也就是Batch normalization层，还有一个sigmoid层，这是一个激活函数。
• 卷积核为1x1，stride(步长为1)

4、REP模块解读

• REP模块分为两个，一个是train，也就是训练，一个deploy，也就是推理。
• 训练模块，它有三个分支。
  最上面的分支是3x3的卷积，用于特征提取。
  中间的分支是1x1的卷积，用于平滑特征。
  最后分支是一个Identity，不做卷积操作，直接移过来。
  最后把它们相加在一起。
• 推理模块，包含一个3x3的卷积，stride(步长为1)。是由训练模块重参数化转换而来。
  在训练模块中，因为第一层是一个3x3的卷积，第二层是一个1x1的卷积，最后层是一个Identity。
  在模型从参数化的时候，需要把1x1的卷积啊，转换成3x3的卷积，把Identity也转换成3x3的卷积，然后进行一个矩阵的一个加法，也就是一个矩阵融合过程。
  然后最后将它的权重进行相加，就得到了一个3x3的卷积，也就是说，这三个分支就融合成了一一条线，里面只有一个3x3的卷积。
  它们的权重是三个分支的叠加结果，矩阵，也是三个分支的叠加结果。

5、MP模块解读

待更新

6、ELAN模块解读

待更新

6、ELAN-W模块解读

待更新

6、SPPCSPC模块解读

待更新