YOLOv7网络模型解读

已于 2023-11-14 21:06:36 修改
阅读量76 收藏
点赞数 1
分类专栏： YOLO疑难杂症 文章标签： YOLO 网络 计算机视觉 目标检测
于 2023-11-14 21:03:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41301570/article/details/134408004
版权 
# parameters
nc: 10  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

# anchors
anchors:
  - [12,16, 19,36, 40,28]  # P3/8
  - [36,75, 76,55, 72,146]  # P4/16
  - [142,110, 192,243, 459,401]  # P5/32

# yolov7 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [32, 3, 1]],  # 0 [3,640,640]——>[32,640,640]
  
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2   [32,640,640]——>[64,320,320]主干网络第1层二倍的下采样
   [-1, 1, Conv, [64, 3, 1]],  #2  [64,320,320]——>[64,320,320]
   
   [-1, 1, Conv, [128, 3, 2]],  # 3-P2/4  [64,320,320]——>[128,160,160]主干网络第3层二倍下采样
   [-1, 1, Conv, [64, 1, 1]],   #4 [128,160,160]——>[64,160,160] 压缩通道数
   [-2, 1, Conv, [64, 1, 1]],   #5 [128,160,160]——>[64,160,160] 压缩通道数
   [-1, 1, Conv, [64, 3, 1]],   #6 [64,160,160]——>[64,160,160]？？
   [-1, 1, Conv, [64, 3, 1]],   #7 [64,160,160]——>[64,160,160]？？
   [-1, 1, Conv, [64, 3, 1]],   #8 [64,160,160]——>[64,160,160]？？
   [-1, 1, Conv, [64, 3, 1]],   #9 [128,160,160]——>[64,160,160]？？
   [[-1, -3, -5, -6], 1, Concat, [1]], # 10 将9、7、4、5层concat，输出[256,160,160]
   [-1, 1, Conv, [256, 1, 1]],  # 11  [256,160,160]——>[256,160,160]融合信息
         
   [-1, 1, MP, []],  #12 [256,160,160]——>[256,80,80]  最大池化和卷积的并行结构，二倍下采样
   [-1, 1, Conv, [128, 1, 1]],  #13 [256,80,80]——>[128,80,80] 压缩通道数
   [-3, 1, Conv, [128, 1, 1]],  #14 [256,160,160]——>[128,160,160] 压缩通道数
   [-1, 1, Conv, [128, 3, 2]],  #15 [128,160,160]——>[128,80,80] 主干网络第15层二倍下采样
   [[-1, -3], 1, Concat, [1]],  # 16-P3/8  将15、13层concat，输出[256,80,80]
   [-1, 1, Conv, [128, 1, 1]],  #17 [256,80,80]——>[128,80,80] 压缩通道数
   [-2, 1, Conv, [128, 1, 1]],  #18 [256,80,80]——>[128,80,80] 压缩通道数
   [-1, 1, Conv, [128, 3, 1]],  #19 [128,80,80]——>[128,80,80]
   [-1, 1, Conv, [128, 3, 1]],  #20 [128,80,80]——>[128,80,80]
   [-1, 1, Conv, [128, 3, 1]],  #21 [128,80,80]——>[128,80,80]
   [-1, 1, Conv, [128, 3, 1]],  #22 [128,80,80]——>[128,80,80]
   [[-1, -3, -5, -6], 1, Concat, [1]], #23 将22、20、18、17层concat，输出[512,80,80] [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [512, 1, 1]],  # 24 [512,80,80]——>[512,80,80]  横向连接
         
   [-1, 1, MP, []], #25 [512,80,80]——>[512,40,40]  最大池化和卷积的并行结构，二倍下采样
   [-1, 1, Conv, [256, 1, 1]], #26 [512,40,40]——>[256,40,40]压缩通道数
   [-3, 1, Conv, [256, 1, 1]], #27 [512,80,80]——>[256,80,80]压缩通道数
   [-1, 1, Conv, [256, 3, 2]], #28 [256,80,80]——>[256,40,40]主干网络第28层二倍下采样
   [[-1, -3], 1, Concat, [1]], # 29-P4/16  将28、26层concat，输出[512,40,40] [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [256, 1, 1]], #30 [512,40,40]——>[256,40,40]压缩通道数
   [-2, 1, Conv, [256, 1, 1]], #31 [512,40,40]——>[256,40,40]压缩通道数
   [-1, 1, Conv, [256, 3, 1]], #32 [256,40,40]——>[256,40,40]
   [-1, 1, Conv, [256, 3, 1]], #33 [256,40,40]——>[256,40,40]
   [-1, 1, Conv, [256, 3, 1]], #34 [256,40,40]——>[256,40,40]
   [-1, 1, Conv, [256, 3, 1]], #35 [256,40,40]——>[256,40,40]
   [[-1, -3, -5, -6], 1, Concat, [1]], #36 将35、33、31、30层concat，输出[1024,40,40]   [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [1024, 1, 1]],  # 37 [1024,40,40]——>[1024,40,40] 横向连接
         
   [-1, 1, MP, []], #38 [1024,40,40]——>[1024,20,20]  最大池化和卷积的并行结构，二倍下采样 采用默认参数
   [-1, 1, Conv, [512, 1, 1]],  #39 [1024,20,20]——>[512,20,20] 压缩通道数
   [-3, 1, Conv, [512, 1, 1]],  #40 [1024,40,40]——>[512,40,40] 压缩通道数
   [-1, 1, Conv, [512, 3, 2]],  #41 [512,40,40]——>[512,20,20]主干网络第41层二倍下采样
   [[-1, -3], 1, Concat, [1]],  # 42-P5/32  将41、39层concat，输出[1024,20,20]
   [-1, 1, Conv, [256, 1, 1]],  #43 [1024,20,20]——>[512,20,20] 压缩通道数
   [-2, 1, Conv, [256, 1, 1]],  #44 [1024,20,20]——>[512,20,20] 压缩通道数
   [-1, 1, Conv, [256, 3, 1]],  #45 [512,20,20]——>[512,20,20]
   [-1, 1, Conv, [256, 3, 1]],  #46 [512,20,20]——>[512,20,20]
   [-1, 1, Conv, [256, 3, 1]],  #47 [512,20,20]——>[512,20,20]
   [-1, 1, Conv, [256, 3, 1]],  #48 [512,20,20]——>[512,20,20]
   [[-1, -3, -5, -6], 1, Concat, [1]], #49 将38、36、34、33层concat，输出[2048,20,20]  [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [1024, 1, 1]],  # 50 [2048,20,20]——>[1024,20,20] 压缩通道数 横向连接
  ]

# yolov7 head
head:
  [[-1, 1, SPPCSPC, [512]], # 51 [1024,20,20]——>[512,20,20] 压缩通道数
  
   [-1, 1, Conv, [256, 1, 1]], #52 [512,20,20]——>[256,20,20] 压缩通道数
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], #53 [256,20,20]——>[256,40,40]  二倍上采样，none类型，2倍上采样
   [37, 1, Conv, [256, 1, 1]], # route backbone P4 54 [1024,40,40]——>[256,40,40] 37层横向连接
   [[-1, -2], 1, Concat, [1]], #55 将54、53层concat，输出[512,40,40] [B,C,H,W]在维度1通道上concat
   
   [-1, 1, Conv, [256, 1, 1]], #56 [512,40,40]——>[256,40,40] 压缩通道数
   [-2, 1, Conv, [256, 1, 1]], #57 [512,40,40]——>[256,40,40] 压缩通道数
   [-1, 1, Conv, [128, 3, 1]], #58 [256,40,40]——>[128,40,40] 压缩通道数
   [-1, 1, Conv, [128, 3, 1]], #59 [128,40,40]——>[128,40,40]
   [-1, 1, Conv, [128, 3, 1]], #60 [128,40,40]——>[128,40,40]
   [-1, 1, Conv, [128, 3, 1]], #61 [128,40,40]——>[128,40,40]
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]], #62 将61、60、59、58、57、56层concat，输出[1024,40,40] [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [256, 1, 1]], #63 [1024,40,40]——>[256,40,40] 压缩通道数
   
   [-1, 1, Conv, [128, 1, 1]], #64 [256,40,40]——>[128,40,40] 压缩通道数
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], #65 [128,40,40]——>[128,80,80]
   [24, 1, Conv, [128, 1, 1]], # route backbone P3 66 [512,80,80]——>[128,80,80] 24层横向连接
   [[-1, -2], 1, Concat, [1]], #67 将56、65层concat，输出[256,80,80] [B,C,H,W]在维度1通道上concat
   
   [-1, 1, Conv, [128, 1, 1]], #68 [256,80,80]——>[128,80,80] 压缩通道数
   [-2, 1, Conv, [128, 1, 1]], #69 [256,80,80]——>[128,80,80] 压缩通道数
   [-1, 1, Conv, [64, 3, 1]],  #70 [128,80,80]——>[64,80,80]  压缩通道数
   [-1, 1, Conv, [64, 3, 1]],  #71 [64,80,80]——>[64,80,80]
   [-1, 1, Conv, [64, 3, 1]],  #72 [64,80,80]——>[64,80,80]
   [-1, 1, Conv, [64, 3, 1]],  #73 [64,80,80]——>[64,80,80]
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]], #74 将73、72、71、70、69、68层concat，输出[512,80,80] [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [128, 1, 1]], # 75 [512,80,80]——>[128,80,80] 压缩通道数
      
   [-1, 1, MP, []], #76 [128,80,80]——>[128,40,40]  最大池化和卷积的并行结构，二倍下采样
   [-1, 1, Conv, [128, 1, 1]], #77 [128,40,40]——>[128,40,40] 通道数不变
   [-3, 1, Conv, [128, 1, 1]], #78 [128,80,80]——>[128,80,80] 通道数不变
   [-1, 1, Conv, [128, 3, 2]], #79 [128,80,80]——>[128,40,40] 二倍下采样****
   [[-1, -3, 63], 1, Concat, [1]], #80 将79、77、63层concat，输出[512,40,40] [B,C,H,W]在维度1通道上concat
   
   [-1, 1, Conv, [256, 1, 1]], #81 [512,40,40]——>[256,40,40] 压缩通道数
   [-2, 1, Conv, [256, 1, 1]], #82 [512,40,40]——>[256,40,40] 压缩通道数
   [-1, 1, Conv, [128, 3, 1]], #83 [256,40,40]——>[128,40,40] 压缩通道数
   [-1, 1, Conv, [128, 3, 1]], #84 [128,40,40]——>[128,40,40]
   [-1, 1, Conv, [128, 3, 1]], #85 [128,40,40]——>[128,40,40]
   [-1, 1, Conv, [128, 3, 1]], #86 [128,40,40]——>[128,40,40]
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]], #87 将86、85、84、83、82、81层concat，输出[1024,40,40] [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [256, 1, 1]], # 88  [1024,40,40]——>[256,40,40]
      
   [-1, 1, MP, []], #89 [256,40,40]——>[256,20,20] 最大池化和卷积的并行结构，
   [-1, 1, Conv, [256, 1, 1]], #90 [256,20,20]——>[256,20,20] 通道数不变，
   [-3, 1, Conv, [256, 1, 1]], #91 [256,40,40]——>[256,40,40] 通道数不变
   [-1, 1, Conv, [256, 3, 2]], #92 [256,40,40]——>[256,20,20] 二倍下采样
   [[-1, -3, 51], 1, Concat, [1]], #93 将92、90、51层concat，输出[1024,20,20] [B,C,H,W]在维度1通道上concat
   
   [-1, 1, Conv, [512, 1, 1]], #94 [1024,40,40]——>[512,20,20] 压缩通道数
   [-2, 1, Conv, [512, 1, 1]], #95 [1024,40,40]——>[512,20,20] 压缩通道数
   [-1, 1, Conv, [256, 3, 1]], #96 [512,20,20]——>[256,20,20]  压缩通道数
   [-1, 1, Conv, [256, 3, 1]], #97 [256,20,20]——>[256,20,20]
   [-1, 1, Conv, [256, 3, 1]], #98 [256,20,20]——>[256,20,20]
   [-1, 1, Conv, [256, 3, 1]], #99 [256,20,20]——>[256,20,20]
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]], #100 将99、98、97、96、95、94层concat，输出[2048,20,20] [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [512, 1, 1]], #101  [2048,20,20]——>[512,20,20] 压缩通道数
   
   [75, 1, RepConv, [256, 3, 1]], #102  [128,80,80]——>[256,80,80] 升维
   [88, 1, RepConv, [512, 3, 1]], #103  [256,40,40]——>[512,40,40] 升维
   [101, 1, RepConv, [1024, 3, 1]], #104[512,20,20]——>[1024,20,20] 升维

   [[102,103,104], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5) 105
  ]

如果你想要进一步了解更多的相关知识，可以关注下面公众号联系~会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真......希望能帮到你！

5a8015ddde1e41418a38e958eb12ecbd.png

MatpyMaster
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
YOLOv7的骨干网络
weixin_35757531的博客
02-10 866
YOLOv7 的骨干网络是一种卷积神经网络(CNN)，它被用于对图像进行物体检测。它包含一个预训练的深度 CNN，通常称为骨干网络，用于从输入图像中提取特征。这些特征被用于预测目标对象的位置和类别。 在 YOLOv7 中，骨干网络是基于 CSPDarknet53 架构的，这是一种双流网络架构，由两个分支组成，分别负责提取纵横两个方向的特征。它还包含一个全局平均池化层，用于汇总所有特征，并将其变成一...
YOLOV7详解
m0_59161923的博客
09-05 2136
在该模块中，最终堆叠模块的输入包含多个分支，左一为一个卷积标准化激活函数，左二为一个卷积标准化激活函数，右二为三个卷积标准化激活函数，右一为五个卷积标准化激活函数。四个特征层在堆叠后会再次进行一个卷积标准化激活函数来特征整合。代码有点抽象，主要是ids不好理解，如上图，将[-1,-3,-5,-6]转化为正序就是[5,3,1,0]，其中cv1、cv2对应上图中的0、1，cv3包含4个卷积_归一化_激活函数，对应上图中2、3、4、5。代码为return out。
YoloV7目标检测（Pytorch官方版）【这也许是你见到最详细的博文！！！】
qq_23022733的博客
12-07 1万+
主干网络示意图如下，其实采用的和YoloV3、YoloV4、YoloV5类似的网络结构 代码如下，多分支模块堆叠的类名为：Multi_Concat_Block 输出： 2.2 下采样网络结构 结合了maxpooling和2 ×\times× 2步长的卷积 代码如下，下采样结构类名为Transition_Block， 输出： 2.3 整个backbone代码 整个主干网络实现代码为： 输出： 3、FPN特征金字塔 backbone与FPN以及head代码： 输出：
yolov7论文及解读
04-23
通过分析梯度流传播路径，YOLOv7能够更好地融合重参数化的卷积和其他网络组件，提高模型的适用性和性能。 总之，YOLOv7通过一系列创新技术提升了目标检测的速度和准确性，特别是在移动GPU上的表现，使其成为了边缘...
YOLOv7论文超详细解读
10-30
以下是 YOLOv7 论文的详细解读，涵盖了论文的架构、模型缩放、可训练的 bag-of-freebies、实验结果等方面的内容。 架构 YOLOv7 的架构主要由四个部分组成：Extended Efficient Layer Aggregation Networks（EELAN...
YOLOV7源码内含有训练模型
07-26
8. **源码解读**：深入理解YOLOV7的源码可以帮助开发者了解其工作原理，例如检测流程、损失计算、模型保存和加载等，这对于定制和改进模型非常有帮助。 9. **实验与评估**：YOLOV7的性能评估通常会在多个公共数据集...
基于YOLOv7的人体姿态估计讲解及源码
11-04
压缩包中的文件"YOLOv7-Object-Detection-Paper-Explanation-and-Inference"可能包含了论文解读、模型实现代码、训练脚本和示例推理结果，对于深入理解和复现YOLOv7的性能非常有帮助。 总之，YOLOv7是目标检测与...
YOLOv7烟雾检测训练权重+代码
12-01
main-smoke_xtx"中，“yolov7-main”可能是指YOLOv7模型的主程序或配置文件，"smoke"再次强调了烟雾检测的任务，而"xtx"可能是某种特定的后缀或者版本标识，具体含义可能需要根据上下文进一步解读。 总的来说，...
改进YOLOv5系列：5.CotNet Transformer结构的修改
包括YOLOv5、YOLOv7、YOLOv8等模型改进
08-08 1万+
目标检测小白科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
YoloV7
weixin_63967970的博客
03-09 1518
从下往上，先进行上采样，然年和40*40的特征层进行一个堆叠，使用多分支堆叠模块进行特征提取。之后会在进行一个上采样，然后和80*80的特征层进行一个堆叠，又会使用多分支堆叠模块进行特征提取，这样就获得了一个特征，然后通过过渡模块进行下采样，又变成了40*40，这样就又可以和左边那个40*40的特征层进行一个堆叠，使用多分支堆叠模块进行特征提取，接下来通过过渡模块进行下采样，完成下采样之后就变成了20*20，会和左边的20*20的有效特征层进行一个堆叠，堆叠完了之后，使用多分支堆叠模块进行特征提取。
yolov7使用MobileNetV3主干网络加速
最新发布
qq_74147688的博客
02-17 1437
yolov7使用MobileNetV3主干网络加速训练，代码介绍、参数介绍
yolov7和yolov8的创新点详解（附：汇报用的PPT）
热门推荐
m0_74890428的博客
04-24 1万+
以下主要介绍yolov7和yolov8的网络结构与创新点，文章的末尾有yolov7和yolov8创新点和网络架构进行汇报的PPT，可以通过网盘进行下载，同时在介绍中，我也会进行PPT内容的展示有需求再进行下载即可。
芒果YOLOv7改进18：主干篇：改进主干GhostNetV2最新架构：首发结合最新NeurIPS2022华为诺亚针对端侧设备的GhostNetV2 架构：构建更强端侧轻量型骨干
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-17 5812
首发结合最新NeurIPS2022华为诺亚针对端侧设备的GhostNetV2 架构：长距离注意力机制增强廉价操作，打造轻量级检测器
YOLOv7改进轻量化,引入轻量化骨干网络MobileOne
datayx的文章
10-30 754
向AI转型的程序员都关注了这个号????????????一、前言MobileOne论文：https://arxiv.org/abs/2206.04040MobileOne github：https://github.com/apple/ml-mobileone二、基本原理使用Reparameterize重参数化实现模型的轻量化，基本模块如下图所示。三、改进方法说明：该部分的改进代码尽可能地根据官方代码的写法与YOL...
yolov7网络结构解读
08-14
下面是YOLOv7的网络结构解读： 1. 输入图像：YOLOv7接受一个输入图像作为模型的输入。 2. Backbone网络：YOLOv7使用了一个名为Darknet-53的主干网络作为特征提取器。Darknet-53是一个由卷积层和残差块组成的深度...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

MatpyMaster

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值