关于Yolov7-tiny模型瘦身（param、FLOPs）碎碎念

优于模型落地需要，yolov7-tiny版本的参数量(Param)为6.2M，FLOPs在输入为320*320下为3.46G，想着还能不能再进行减少这两者或其中之一(精度方面还未做效果验证)。

于是翻遍了github，没有关于v7的剪枝方法，替换backbone也大部分是基于yolov5s的，眼花缭乱中看到yolov7的github官方作者的一句回复：

接着去看了一下什么是ELAN，相关细节知识不做复制粘贴了，可以去看各大神的代价解读。在yolov7-tiny.yaml中，就是这个在被stride为2的卷积下采样后，被Concat整合前的这四个连续卷积层。

这种结构在标准版和tiny版的backbone和head中都有，只是tiny中少了两个卷积层的堆叠，激活函数变成了LeakyReLU，每个branch的操作中，输入通道都是和输出通道保持一致，接下来就是小白改结构碰的壁了。

每层网络都有四个参数，[from, number, module, args]，以Conv层为例，第一个from表示本层的输入来自哪一层的输出，-1表示上一层，-2表示上上层，以此类推，若是正数n则表示从头数的第n层；number表示本层堆叠几次；module表示该层的种类，在models.common中都能找到class；args则是相关参数，如Conv中是通道数、卷积核尺寸、步长、激活函数等。

当时由于不懂from的含义，就硬删ELAN中的某层卷积（from为-2的卷积不要删），然后train.py，结果可想而知。

根据log找到是构建网络时报的错，然后继续研究。。。因为网络各层是堆叠的，删除某层对后面的层数当然会有影响，所以from不为-1的值肯定要改，经过一系列小学数学的操作后，层和from对应上了，还是报错。。。 接着研究，在yolov7.yaml和v7-tiny.yaml中发现Concat层的from是[-1,-2,-3,-4,-5,-6]和[-1,-2,-3,-4]的区别，所以当from是数组时，表示上一层，上2层，上3层..以此类推。所以ELAN中删一层，[-1,-2,-3,-4]也要变成[-1,-2,-3]，最后一层IDetect也需要修改，该层的from表示第[n,n+1,n+2]层的输出作为Detect模块的输入，接着run，成功！

 

solution2:简单粗暴，不用改网络结构，在yaml的第2、3行depth_multiple与width_multiple进行修改， 其中深度与网络层中的number相乘，得到实际网络深度，宽度与通道数相乘，所以这两者设置为0-1之间可以直接影响整体网络，但实际检测效果肯定会大受影响。

solution3: anchor大小的修改，可以根据自己数据集的特点进行特征图大小的修改，每一对数字是anchors的长宽大小。

原始yolov7-tiny的参数量为6.2M，320*320的输入下FLOPs为3.46G；在solution2中，比例为0.5时Param与FLOPs分别为1.5M 与 0.41G，模型大小为3.1M ；比例为0.8时分别为4.03M与1.21G，模型大小为8.3M，但具体效果。。见仁见智了

solution1还在训练