在yolov7中训练yolov5模型，yolov5使用OTA loss

尽管yolov7模型整体的性能优于yolov5, 不过yolov7-tiny到yolov7之间的跨度比较大（可以通过剪枝yolov7来得到中间模型，这个后面再讲），这个中间的跨度我们可以用yolov5s来补充，整体上yolov5项目和yolov7项目的使用方式基本上一模一样，那么我们能不能把这两个合到一个项目里呢，免得要维护2个项目。此外，yolov7加入了OTA loss，性能要略好于yolov5的loss, 如果我们把yolov5加入yolov7, 就可以直接用上了，而不用去修改yolov5项目。

拷贝模型结构文件

yolov5和yolov7模式基本一样，都是通过yaml文件来控制模型结构，所以首先我们要将yolov5的模型yaml文件拷贝到yolov7项目，以yolov5s为例，拷贝yolov5/models/yolov5s.yaml到yolov7/cfg/training

添加C3模块

yolov5中的C3模块默认不在yolov7项目中，我们需要将其定义添加到yolov7中：
从yolov5/models/common.py中拷贝C3的定义：

class C3(nn.Module):
    # CSP Bottleneck with 3 convolutions
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion
        super().__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c1, c_, 1, 1)
        self.cv3 = Conv(2 * c_, c2, 1)  # optional act=FReLU(c2)
        self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)))

    def forward(self, x):
        return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))

到yolov7/models/common.py中，可以将其添加到其中的#### yolov5 ####下。

修改yolo.py

修改yolov7的yolo.py文件，具体而言是修改parse_model ，从而在解析yaml文件时，能够正确解析, 将C3加入到下面的列表中，：

if m in [nn.Conv2d, Conv, RobustConv, RobustConv2, DWConv, GhostConv, RepConv, RepConv_OREPA, DownC, 
                 SPP, SPPF, SPPCSPC, GhostSPPCSPC, MixConv2d, Focus, Stem, GhostStem, CrossConv, 
                 Bottleneck, BottleneckCSPA, BottleneckCSPB, BottleneckCSPC, 
                 RepBottleneck, RepBottleneckCSPA, RepBottleneckCSPB, RepBottleneckCSPC,  
                 Res, ResCSPA, ResCSPB, ResCSPC, 
                 RepRes, RepResCSPA, RepResCSPB, RepResCSPC, 
                 ResX, ResXCSPA, ResXCSPB, ResXCSPC, 
                 RepResX, RepResXCSPA, RepResXCSPB, RepResXCSPC, 
                 Ghost, GhostCSPA, GhostCSPB, GhostCSPC,
                 SwinTransformerBlock, STCSPA, STCSPB, STCSPC,
                 SwinTransformer2Block, ST2CSPA, ST2CSPB, ST2CSPC,C3]:
            c1, c2 = ch[f], args[0]
            if c2 != no:  # if not output
                c2 = make_divisible(c2 * gw, 8)

            args = [c1, c2, *args[1:]]
            if m in [DownC, SPPCSPC, GhostSPPCSPC, 
                     BottleneckCSPA, BottleneckCSPB, BottleneckCSPC, 
                     RepBottleneckCSPA, RepBottleneckCSPB, RepBottleneckCSPC, 
                     ResCSPA, ResCSPB, ResCSPC, 
                     RepResCSPA, RepResCSPB, RepResCSPC, 
                     ResXCSPA, ResXCSPB, ResXCSPC, 
                     RepResXCSPA, RepResXCSPB, RepResXCSPC,
                     GhostCSPA, GhostCSPB, GhostCSPC,
                     STCSPA, STCSPB, STCSPC,
                     ST2CSPA, ST2CSPB, ST2CSPC,C3]:
                args.insert(2, n)  # number of repeats
                n = 1

结语

通过上述的修改，我们就可以像训练yolov7一样在yolov7项目中训练yolov5了，yolov5也能使用上yolov7的loss了。