前言

繼美團發布YOLOV6之后，YOLO系列原作者也發布了YOLOV7。

YOLOV7主要的貢獻在于：

1.模型重參數化

YOLOV7將模型重參數化引入到網絡架構中，重參數化這一思想最早出現于REPVGG中。

2.標簽分配策略

YOLOV7的標簽分配策略采用的是YOLOV5的跨網格搜索，以及YOLOX的匹配策略。

3.ELAN高效網絡架構

YOLOV7中提出的一個新的網絡架構，以高效為主。

4.帶輔助頭的訓練

YOLOV7提出了輔助頭的一個訓練方法，主要目的是通過增加訓練成本，提升精度，同時不影響推理的時間，因為輔助頭只會出現在訓練過程中。

一、YOLOV7是什么？

YOLO算法作為one-stage目標檢測算法最典型的代表，其基于深度神經網絡進行對象的識別和定位，運行速度很快，可以用于實時系統。

YOLOV7是目前YOLO系列最先進的算法，在準確率和速度上超越了以往的YOLO系列。

了解YOLO是對目標檢測算法研究的一個必須步驟。

二、網絡架構

1、架構圖總覽

2、CBS模塊解讀

?對于CBS模塊，我們可以看從圖中可以看出它是由一個Conv層，也就是卷積層，一個BN層，也就是Batch normalization層，還有一個Silu層，這是一個激活函數。

?silu激活函數是swish激活函數的變體，兩者的公式如下所示

silu(x)=x?sigmoid(x)

swish(x)=x?sigmoid(βx)

?從架構圖中我們可以看出，CBS模塊這里有三種顏色，三種顏色代表它們的卷積核（k）和步長(s)不同。

首先最淺的顏色，也就是第一個CBS模塊的顏色，它是一個1x1的卷積，stride(步長為1)。

其次稍淺的顏色，也就是第二個CBS模塊的顏色，它是一個3x3的卷積，stride(步長為1)。

最后最深的顏色，也就是第三個CBS模塊的顏色，它是一個3x3的卷積，stride(步長為2)。

?1x1的卷積主要用來改變通道數。

?3x3的卷積，步長為1，主要用來特征提取。

?3x3的卷積，步長為2，主要用來下采樣。

3、CBM模塊解讀

?CBM模塊和CBS模塊，我們可以看出來是基本一致的。

?由一個Conv層，也就是卷積層，一個BN層，也就是Batch normalization層，還有一個sigmoid層，這是一個激活函數。

?卷積核為1x1，stride(步長為1)

4、REP模塊解讀

?REP模塊分為兩個，一個是train，也就是訓練，一個deploy，也就是推理。

?訓練模塊，它有三個分支。

最上面的分支是3x3的卷積，用于特征提取。

中間的分支是1x1的卷積，用于平滑特征。

最后分支是一個Identity，不做卷積操作，直接移過來。

最后把它們相加在一起。

?推理模塊，包含一個3x3的卷積，stride(步長為1)。是由訓練模塊重參數化轉換而來。

在訓練模塊中，因為第一層是一個3x3的卷積，第二層是一個1x1的卷積，最后層是一個Identity。

在模型從參數化的時候，需要把1x1的卷積啊，轉換成3x3的卷積，把Identity也轉換成3x3的卷積，然后進行一個矩陣的一個加法，也就是一個矩陣融合過程。

然后最后將它的權重進行相加，就得到了一個3x3的卷積，也就是說，這三個分支就融合成了一條線，里面只有一個3x3的卷積。

它們的權重是三個分支的疊加結果，矩陣，也是三個分支的疊加結果。

5、MP模塊解讀

?MP模塊有兩個分支，作用是進行下采樣。

?第一條分支先經過一個maxpool，也就是最大池化。最大值化的作用就是下采樣，然后再經過一個1x1的卷積進行通道數的改變。

?第二條分支先經過一個1x1的卷積，做通道數的變化，然后再經過一個3x3卷積核、步長為2的卷積塊，這個卷積塊也是用來下采樣的。

?最后把第一個分支和第二分支的結果加在一起，得到了超級下采樣的結果。

6、ELAN模塊解讀

?ELAN模塊是一個高效的網絡結構，它通過控制最短和最長的梯度路徑，使網絡能夠學習到更多的特征，并且具有更強的魯棒性。

?ELAN有兩條分支。

?第一條分支是經過一個1x1的卷積做通道數的變化。

?第二條分支就比較復雜了。它先首先經過一個1x1的卷積模塊，做通道數的變化。然后再經過四個3x3的卷積模塊，做特征提取。

?如圖所示，最后把四個特征疊加在一起得到最后的特征提取結果。

7、ELAN-W模塊解讀

?對于ELAN-W模塊，我們也看到它跟ELAN模塊是非常的相似，所略有不同的就是它在第二條分支的時候選取的輸出數量不同。

?ELAN模塊選取了三個輸出進行最后的相加。

?ELAN-W模塊選取了五個進行相加。

8、UPSample模塊解讀

UPSample模塊是一個上采樣的模塊，它使用的上采樣方式是最近鄰插值。

9、SPPCSPC模塊解讀

SPP的作用是能夠增大感受野，使得算法適應不同的分辨率圖像，它是通過最大池化來獲得不同感受野。

?我們可以看到在第一條分支中，經理了maxpool的有四條分支。分別是5，9，13，1，這四個不同的maxpool就代表著他能夠處理不同的對象。

?也就是說，它這四個不同尺度的最大池化有四種感受野，用來區別于大目標和小目標。

比如一張照片中的狗和行人以及車，他們的尺度是不一樣的，通過不同的maxpool，這樣子就能夠更好的區別小目標和大目標。

CSP模塊，首先將特征分為兩部分，其中的一個部分進行常規的處理，另外一個部分進行SPP結構的處理，最后把這兩個部分合并在一起，這樣子就能夠減少一半的計算量，使得速度變得快，精度反而會提升。

來源：CSDN博主江小皮不皮