響應式網站適合優(yōu)化嗎百度優(yōu)化插件
YOLOv7
- 1 摘要
- 2 網絡架構
- 3 改進點
- 4 和YOLOv4及YOLOR的對比
YOLO系列博文：
- 【第1篇：概述物體檢測算法發(fā)展史、YOLO應用領域、評價指標和NMS】
- 【第2篇：YOLO系列論文、代碼和主要優(yōu)缺點匯總】
- 【第3篇：YOLOv1——YOLO的開山之作】
- 【第4篇：YOLOv2——更好、更快、更強】
- 【第5篇：YOLOv3——多尺度預測】
- 【第6篇：YOLOv4——最優(yōu)速度和精度】
- 【第7篇：YOLOv5——使用Pytorch框架、AutoAnchor、多尺度預訓練模型】
- 【第8篇：YOLOv6——更高的并行度、引入量化和蒸餾以提高性能加速推理】
- 【第9篇：YOLOv7——跨尺度特征融合】
- 【第10篇：YOLOv8——集成檢測、分割和跟蹤能力】
- 【第11篇：YOLO變體——YOLO+Transformers、DAMO、PP、NAS】
- 【第12篇：YOLOv9——可編程梯度信息(PGI)+廣義高效層聚合網絡(GELAN)】
- 【第13篇：YOLOv10——實時端到端物體檢測】
- 【第14篇：YOLOv11——在速度和準確性方面具有無與倫比的性能】
- 【第15篇（完結）：討論和未來展望】
1 摘要
- 發(fā)表日期：2022年7月
- 作者：Wong Kin-Yiu, Alexey Bochkovskiy, Chien-Yao Wang
- 論文：YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
- 代碼：https://github.com/WongKinYiu/yolov7
- 主要優(yōu)缺點：
- 在COCO數據集上達到新的速度與精度平衡；
- 跨尺度特征融合提高對不同尺度物體的檢測能力；
- 改進訓練過程中的標簽分配方式提高訓練效率。
2 網絡架構
2022年7月，YOLOv7由YOLOv4和YOLOR的同一組作者發(fā)布在ArXiv上。當時，它在5 FPS到160 FPS的速度范圍內，在速度和精度上超過了所有已知的目標檢測器。與YOLOv4一樣，它僅使用MS COCO數據集進行訓練，而沒有使用預訓練的Backbone。YOLOv7提出了一些架構上的改進和一系列bag-of-freebies，這些改進提高了準確性，但不影響推理速度，只增加了訓練時間。
下圖展示了YOLOv7的詳細架構。
3 改進點
YOLOv7的架構變化包括：
- 擴展高效層聚合網絡（E-ELAN）：ELAN是一種通過控制最短最長梯度路徑，使深度模型能夠更高效地學習和收斂的策略。YOLOv7提出了E-ELAN，適用于具有無限堆疊計算塊的模型。E-ELAN通過打亂和合并基數來結合不同組的特征，增強網絡的學習能力，而不破壞原始的梯度路徑。
- 基于拼接模型的模型縮放：通過調整一些模型屬性生成不同大小的模型。YOLOv7的架構是基于拼接的架構，在這種架構中，標準的縮放技術（如深度縮放）會導致過渡層輸入通道和輸出通道之間的比例變化，從而導致模型硬件利用率的下降。YOLOv7提出了一種新的縮放策略，其中塊的深度和寬度以相同的因子縮放，以保持模型的最佳結構。
YOLOv7中使用的bag-of-freebies包括：
- 計劃重參數化卷積：類似于YOLOv6，YOLOv7的架構也受到重參數化卷積（RepConv）[98] 的啟發(fā)。然而，他們發(fā)現RepConv中的恒等連接會破壞ResNet [61] 中的殘差和DenseNet [109] 中的拼接。因此，他們移除了恒等連接，并將其稱為RepConvN。
- 輔助頭的粗標簽分配和主頭的細標簽分配：主頭負責最終輸出，而輔助頭則幫助訓練。
- 卷積-批量歸一化-激活中的批量歸一化：這將批量歸一化的均值和方差集成到卷積層的偏置和權重中，以便在推理階段使用。
- 受YOLOR啟發(fā)的隱性知識。
- **指數移動平均（EMA）**作為最終推理模型。
4 和YOLOv4及YOLOR的對比
YOLOv7相對于同一組作者開發(fā)的先前YOLO模型的改進如下：
- 與YOLOv4相比，YOLOv7參數量減少了75%，計算量減少36%，同時AP提高了1.5%。
- 與YOLOv4-tiny相比，YOLOv7-tiny分別減少了39%的參數量和49%的計算量，同時保持了相同的AP。
- 與YOLOR相比，YOLOv7分別減少了43%的參數量和15%的計算量，并且AP略微提高了0.4%。
在MS COCO 2017測試開發(fā)集上的評估顯示，YOLOv7-E6在輸入尺寸為1280像素的情況下，在NVIDIA V100上以50 FPS的速度達到了55.9%的AP和73.5%的AP50。