一文看懂yolov7；yolov7详解

weeksooo

已于 2022-09-01 19:07:58 修改

阅读量1.5w

点赞数 40

分类专栏： yolo 文章标签： yolov7 目标检测 yolo系列

于 2022-09-01 18:41:55 首次发布

本文链接：https://blog.csdn.net/qq_41580422/article/details/126316738

版权

yolo 专栏收录该内容

11 篇文章 28 订阅

订阅专栏

*免责声明:
1\此方法仅提供参考
2\搬了其他博主的操作方法,以贴上路径.
3*

场景一:yolo v7

场景二:yolo系列未完待续

…

Yolo系列强推–>Yolo v1–v5 、 Yolox

场景一:yolo v7

强推先看–>yolov7基础知识先导篇

Yolov7论文地址

Yolov7的github项目地址

操作强推–>利用yolov7训练自己的数据集

参考一：目标检测算法——YOLOV7——详解

参考二：YOLOv7正负样本分配详解

参考三：【YOLOv7】主要改进点详解

在这里插入图片描述

1.1 yolo v7 网络结构

在这里插入图片描述

1.2 yolo v7 输入端

强推—>场景五：yolov5 输入端创新

在这里插入图片描述

1.3 yolo v7 Backbone主干网络

强推–>yolov7基础知识先导篇《场景二：高效聚合网络》

在这里插入图片描述

MPC-B

在这里插入图片描述

ELAN
在这里插入图片描述

1.4 yolo v7 Neck

强推–>yolov7基础知识先导篇《场景三：SPPCSPC》

在这里插入图片描述

结构重参数化

强推–>yolov7基础知识先导篇《场景四:结构重参数化》

在这里插入图片描述

1.5 yolo v7 Prediction创新

强推–>yolo v4基础知识先导篇《场景四: CIoU Loss损失函数》

强推–>yolo v4基础知识先导篇《场景八: DIOU NMS》

在这里插入图片描述

1.6 yolo v5、v7正负样本划分策略

目标检测: 一文读懂 YOLOV5 Loss 正样本采样

强推–> yolov7基础知识先导篇：《场景五:标签分配–>细分方法：simOTA》

在这里插入图片描述

1.7 辅助头辅助训练

论文解读：深度监督网络（Deeply-Supervised Nets）

在这里插入图片描述

1.8 多种模型结构讲解

网络结构图分享，密码：week

在这里插入图片描述

模型复合缩放方法

强推–> yolov7基础知识先导篇：《场景六:模型复合缩放》

在这里插入图片描述

yolov7-tiny

在这里插入图片描述

yolov7-w6

在这里插入图片描述

  # 这不欺负老实人嘛！！！  ReOrg+Conv  就是yolov5里面的focus结构
  # [from, number, module, args]
  [[-1, 1, ReOrg, []],  # 0
   [-1, 1, Conv, [64, 3, 1]],  # 1-P1/2

在这里插入图片描述

yolov7-x
在这里插入图片描述

yolov7-e6

   [-1, 1, DownC, [320]],  # 13-P3/8

# 这不欺负老实人吗，DownC就是 上文MPC-B结构，搞不懂为什么换的时候不把yolov7.yaml文件里面的一起换掉

class DownC(nn.Module):
    # Spatial pyramid pooling layer used in YOLOv3-SPP
    def __init__(self, c1, c2, n=1, k=2):
        super(DownC, self).__init__()
        c_ = int(c1)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_, c2//2, 3, k)
        self.cv3 = Conv(c1, c2//2, 1, 1)
        self.mp = nn.MaxPool2d(kernel_size=k, stride=k)

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

在这里插入图片描述