[人工智能] 一文看懂yolov7；yolov7详解

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> 一文看懂yolov7；yolov7详解 -> 正文阅读

[人工智能]一文看懂yolov7；yolov7详解

*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