【YOLO系列】YOLOv7论文超详细解读（翻译 ＋学习笔记）

前言

终于读到传说中的YOLOv7了~≖‿≖✧

这篇是在美团的v6出来不到一个月就高调登场，作者还是我们熟悉的AB大神（对，就是v4那个），读起来又是“熟悉”的感觉（贯穿了我的整个五一假期（╯－＿－）╯╧╧）。

其实关于YOLOv7的网络结构还有很多细节值得深入研究，以及代码我在后续也会像v5那样出个详解系列（后台收到太多私信让我出v7的代码，桥豆麻袋！等俺研究明白了就出！(ง •̀_•́)ง）

好了，这篇就让我们先学习一下论文部分吧！

学习资料：

论文：YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors

开源代码：mirrors / WongKinYiu / yolov7 · GitCode

---

YOLO论文系列前期回顾： 

【YOLO系列】YOLOv6论文超详细解读（翻译 ＋学习笔记）

【YOLO系列】YOLOv5超详细解读（网络详解）

【YOLO系列】YOLOv4论文超详细解读2（网络详解）

【YOLO系列】YOLOv4论文超详细解读1（翻译 ＋学习笔记）

【YOLO系列】YOLOv3论文超详细解读（翻译 ＋学习笔记）

【YOLO系列】YOLOv2论文超详细解读（翻译 ＋学习笔记）

【YOLO系列】YOLOv1论文超详细解读（翻译 ＋学习笔记）

---

目录

前言

Abstract—摘要

一、  Introduction—简介

二、Related work—相关工作

2.1 Real-time object detectors—实时物体检测器

2.2 Model re-parameterization—模型重新参数化

2.3 Model scaling—模型缩放

三、Architecture—网络结构

3.1 Extended efficient layer aggregation networks—扩展的高效层聚合网络

3.2 Model scaling for concatenation-based models— 基于连接的模型的模型缩放

四、Trainable bag-of-freebies—可训练的bag-of-freebies

4.1 Planned re-parameterized convolution—卷积重参化

4.2 Coarse for auxiliary and fine for lead loss—辅助训练模块

4.2.1 Deep supervision—深度监督

4.2.2 Label assigner— 标签分配器

4.2.3 Lead head guided label assigner— 先导头导向标签分配器

4.2.4 Coarse-to-fine lead head guided label assigner— 由粗到精的 lead head 指导标签分配器

4.3 Other trainable bag-of-freebies—其他的可训练“工具”

五、Experiments—实验

5.1 Experimental setup—实验步骤

5.2 Baselines—基线网络

5.3 Comparison with state-of-the-arts—与其他流行网络的对比

5.4 Ablation study—消融研究

5.4.1 Proposed compound scaling method—提出的复合 scaling 方法

5.4.2 Proposed planned re-parameterized model—提出的 planned re-parameterized 模型

5.4.3 Proposed assistant loss for auxiliary head—提出的 auxiliary head 的 assistant loss

六、Conclusions—结论

Abstract—摘要

翻译

YOLOv7在5FPS到 160 FPS 范围内的速度和准确度都超过了所有已知的物体检测器，YOLOv7 在 5 FPS 到 160 FPS 范围内的速度和准确度都超过了所有已知的目标检测器，并且在 GPU V100 上 30 FPS 或更高的所有已知实时目标检测器中具有最高的准确度 56.8% AP。YOLOv7-E6 目标检测器（56 FPS V100，55.9% AP）比基于transformer-based的检测器 SWINL Cascade-Mask R-CNN（9.2 FPS A100，53.9% AP）的速度和准确度分别高出 509% 和 2%，以及基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度提高 551%，准确率提高 0.7%，以及 YOLOv7 的表现优于：YOLOR、YOLOX、Scaled-YOLOv4、YOLOv5、DETR、Deformable DETR  , DINO-5scale-R50, ViT-Adapter-B 和许多其他物体探测器在速度和准确度上。 此外，我们只在 MS COCO 数据集上从头开始训练 YOLOv7，而不使用任何其他数据集或预训练的权重。  源码发布在： GitHub - WongKinYiu/yolov7: Implementation of paper - YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors

---

精读

YOLOv7的成就

在5FPS到160FPS的范围内，在速度和精度上都超过了所有已知的物体检测器，在GPU V100上以30 FPS或更高的速度在所有已知 的实时物体检测器中具有最高的精度56.8%AP

YOLOv7-E6在速度和精度上优于

• 基于transformer的检测器SWINL Cascade-Mask R-CNN
• 基于卷积的检测器ConvNeXt XL级联掩码R-CNN

YOLOv7优于

YOLOR、YOLOX、Scaled-YOLOv4、YOLOv5、DETR、可变形DETR、DINO-5scale-R50、ViT-Adapter-B和许多其他物体检测器的速度和精度。

训练方面：作者只在COCO数据集上从0开始训练YOLOv7，而不使用任何其他数据集或预先训练的权重。

---

一、  Introduction—简介

翻译

    实时对象检测是计算机视觉中非常重要的主题，因为它通常是计算机视觉系统中的必要组件。 例如，多目标跟踪[94, 93]，自动驾驶[40, 18]，机器人[35, 58]，医学图像分析[34, 46]等。执行实时目标检测的计算设备通常是一些移动CPU或GPU，以及各大厂商开发的各种神经处理单元（NPU）。 比如苹果神经引擎（Apple）、神经计算棒（Intel）、Jetson AI边缘设备（Nvidia）、边缘TPU（谷歌）、神经处理引擎（Qualcomm）、AI处理单元（MediaTek）、 和 AI SoC（Kneron）都是 NPU。 上面提到的一些边缘设备专注于加速不同的操作，例如普通卷积、深度卷积或 MLP 操作。 在本文中，我们提出的实时目标检测器主要希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。

    近年来，实时目标检测器仍在针对不同的边缘设备进行开发。例如，开发MCUNet [49, 48] 和 NanoDet [54] 的运营专注于生产低功耗单芯片并提高边缘 CPU 的推理速度。 至于 YOLOX [21] 和 YOLOR [81] 等方法，他们专注于提高各种 GPU 的推理速度。 最近，实时目标检测器的发展集中在高效架构的设计上。 至于可以在 CPU [54, 88, 84, 83] 上使用的实时目标检测器，他们的设计主要基于 MobileNet [28, 66, 27]、ShuffleNet [92, 55] 或 GhostNet [25]  . 另一个主流的实时目标检测器是为 GPU [81, 21, 97] 开发的，它们大多使用 ResNet [26]、DarkNet [63] 或 DLA [87]，然后使用 CSPNet [80] 策略来优化架构。 本文提出的方法的发展方向与当前主流的实时目标检测器不同。 除了架构优化之外，我们提出的方法将专注于训练过程的优化。 我们的重点将放在一些优化的模块和优化方法上，它们可能会增加训练成本以提高目标检测的准确性，但不会增加推理成本。我们将提出的模块和优化方法称为可训练的bag-of-freebies。

    最近，模型重新参数化[13,12,29]和动态标签分配[20,17,42]已成为网络训练和目标检测的重要课题。 主要是在上述新概念提出之后，物​​体检测器的训练演变出了很多新的问题。 在本文中，我们将介绍我们发现的一些新问题，并设计解决这些问题的有效方法。对于模型重参数化，我们用梯度传播路径的概念分析了适用于不同网络层的模型重参数化策略，并提出了有计划的重参数化模型。 此外，当我们发现使用动态标签分配技术时，具有多个输出层的模型的训练会产生新的问题。即：“如何为不同分支的输出分配动态目标？” 针对这个问题，我们提出了一种新的标签分配方法，称为coarse-to-fine引导式标签分配

    本文的贡献总结如下：（1）我们设计了几种可训练的bag-of-freebies方法，使得实时目标检测可以在不增加推理成本的情况下大大提高检测精度；(2) 对于目标检测方法的演进，我们发现了两个新问题，即重新参数化的模块如何替换原始模块，以及动态标签分配策略如何处理分配给不同输出层的问题。 此外，我们还提出了解决这些问题所带来的困难的方法；(3) 我们提出了实时目标检测器的“扩展”和“复合缩放”方法，可以有效地利用参数和计算；  (4) 我们提出的方法可以有效减少最先进实时目标检测器约40%的参数和50%的计算量，并具有更快的推理速度和更高的检测精度。

---

精读

本文主要工作

• 提出了一个实时对象检测器，主要是希望它能够从边缘到云端同时支持移动GPU和GPU设备
• 优化了架构，专注于优化训练过程。重点放在优化模块和优化方法上，称为可训练的 “Bag of freebies”。

其实关于Bag of freebies和Bag of specials我们在YOLOv4就见过，现在来回顾一下：

• Bag of freebies：字面意思就是“免费赠品”。在这里就是指用一些比较有用的训练技巧来训练模型，  只会改变训练策略或只会增加训练成本(不增加推理成本)的方法。从而使得模型获得更好的准确率但不增加模型的复杂度，也就不会增加推理的计算量。
• Bag of specials：指一些插件模块(plugin modules)和后处理方法(post-processing methods)，  它们只稍微增加了推理成本，但可以极大的提高目标检测的准确度。  一般来说，这些插件用来提高一个模型中的特定属性。比如增加感受野( SPP、  ASPP、   RFB)，引入注意力机制(spatial attention、channel attention)，提高特征整合的能力(FPN、ASFF、BiFPN)。

• 对于模型重参数化问题，本文使用梯度传播路径的概念分析了适用于不同网络中的层的模型重参数化策略，并提出了有计划的重参数化模型。
• 对于动态标签分配问题，本文提出了一种新的标签分配方法，称为由粗到细引导标签分配

本文主要贡献

(1)提出了几种可用于训练的方法，这些方法仅仅会增加训练上的负担用于提升model性能，而不会增加推理负担

(2)对于目标检测方法的发展，作者发现了两个新问题： ​​​​

• ①重参数化模块如何替换原始模块
• ②动态标签分配策略如何处理对不同输出层的分配

不过本文提出了解决这俩问题的方法

(3)作者针对目标检测可以更有效的利用参数和计算问题，提出了"扩展"(extend)和“复合缩放”(compound scaling)

(4)提出的方法可以有效的减少40%参数量和50%计算量，高精度高速度

---

先进的网络应该具有以下特性：

     (1)更快更有效的网络

     (2)更有效的特征集成方法

     (3)更准确的检测方法

     (4)更有鲁棒性的损失函数

     (5)更有效的标签匹配方法

     (6)更有效的训练方法

本文中主要针对(4)、(5)、(6)。

---

2.2 Model re-parameterization—模型重新参数化

翻译

    模型重新参数化技术 [71、31、75、19、33、11、4、24、13、12、10、29、14、78] 在推理阶段将多个计算模块合并为一个。 模型重参数化技术可以看作是一种集成技术，我们可以将其分为两类，即模块级集成和模型级集成。 模型级别的重新参数化有两种常见的做法来获得最终的推理模型。 一种是用不同的训练数据训练多个相同的模型，然后对多个训练模型的权重进行平均。 另一种是对不同迭代次数的模型权重进行加权平均。 模块级重新参数化是最近比较热门的研究问题。这种方法在训练时将一个模块拆分为多个相同或不同的模块分支，在推理时将多个分支模块整合为一个完全等效的模块。然而，并非所有提出的重新参数化模块都可以完美地应用于不同的架构。 考虑到这一点，我们开发了新的重新参数化模块，并为各种架构设计了相关的应用策略。

---

精读

模型重新参数化的介绍

在训练时将一个模块拆分为多个相同或不同的模块分支；在推理时将多个分支模块整合为一个完全等效的模块。   

有两种方法：即模块级集成和模型级集成

获得最终推理模型的两种方法

     (1)用不同的训练数据训练多个相同的模型，然后对多个训练模型的权重进行平均

     (2)对不同迭代次数的模型权重进行加权平均

优点

• 训练时，采用多分支的网络使模型获取更好的特征表达
• 推理时，将并行融合成串行，从而降低计算量和参数量，提升速度(融合后理论上和融合前识别效果一样，实际基本都是稍微降低一点点)

不足

   并不是所有提出的重新参数化模块都可以完美地应用于不同的架构。

---

2.3 Model scaling—模型缩放

翻译

   模型缩放 [72, 60, 74, 73, 15, 16, 2, 51] 是一种放大或缩小已设计模型并使其适合不同计算设备的方法。 模型缩放方法通常使用不同的缩放因子，例如分辨率（输入图像的大小）、深度（层数）、宽度（通道数）和阶段（特征金字塔的数量），以实现良好的权衡 -off 表示网络参数的数量、计算量、推理速度和准确性。 网络架构搜索（NAS）是常用的模型缩放方法之一。  NAS 可以自动从搜索空间中搜索到合适的缩放因子，而无需定义过于复杂的规则。  NAS 的缺点是需要非常昂贵的计算来完成对模型缩放因子的搜索。 在[15]中，研究人员分析了缩放因子与参数数量和操作量之间的关系，试图直接估计一些规则，从而获得模型缩放所需的缩放因子。 查阅文献，我们发现几乎所有模型缩放方法都独立分析单个缩放因子，甚至复合缩放类别中的方法也独立优化缩放因子。 这样做的原因是因为大多数流行的 NAS 架构处理的比例因子不是很相关。 我们观察到，所有基于连接的模型，例如 DenseNet [32] 或 VoVNet [39]，都会在缩放此类模型的深度时改变某些层的输入宽度。 由于提出的架构是基于串联的我们必须为此模型设计一种新的复合缩放方法。

---

精读

常采用的缩放因子

• 分辨率(输入图像的大小)
• 深度(层数)
• 宽度(通道数)
• 阶段(特征金字塔的数量)

 常用方法：NAS 

   介绍：NAS即模型搜索，其主要思路就是不需要人为去设计特定的网络，而是让模型自己去选择

   注意问题：    

             (1)怎么定义候选空间

             (2)加速训练   

   不足：消耗大量的时间和资源

---

(d)是作者提出的 Extended-ELAN (E-ELAN) ，E-ELAN 使用了 expand、shuffle、merge cardinality来实现对 ELAN 网络的增强。

在架构方面，E-ELAN 只改变了计算块(computation blocks)的架构，而过渡层(transition layer)的架构完全没有改变。 

YOLOv7 的策略是使用组卷积来扩展计算块的通道和基数。

实现方法

• 首先，使用组卷积来增大通道和计算块的基数  (所有计算块使用的组参数及通道乘数都相同)
• 接着，将计算块得到的特征图 shuffle 到 g 个组，然后 concat，这样一来每个组中的特征图通道数和初始结构的通道数是相同的
• 最后，将 g 个组的特征都相加

---

3.2 Model scaling for concatenation-based models— 基于连接的模型的模型缩放

翻译

模型缩放的主要目的是调整模型的一些属性，生成不同尺度的模型，以满足不同推理速度的需求。 例如，EfficientNet [72] 的缩放模型考虑了宽度、深度和分辨率。至于 scaled-YOLOv4 [79]，其缩放模型是调整阶段数。 在 [15] 中，Dollar等人。分析了香草卷积和组卷积在进行宽度和深度缩放时对参数量和计算量的影响，并以此设计了相应的模型缩放方法。

    以上方法主要用在PlainNet或ResNet等架构中。 这些架构在进行扩容或缩容时，每一层的入度和出度都不会发生变化，因此我们可以独立分析每个缩放因子对参数量和计算量的影响。 然而，如果将这些方法应用于基于连接的架构，我们会发现当对深度进行放大或缩小时，紧接在基于连接的计算块之后的平移层的入度将减小或 增加，如图3（a）和（b）所示。

    从上述现象可以推断，对于基于串联的模型，我们不能单独分析不同的缩放因子，而必须一起考虑。 以scaling-up depth为例，这样的动作会导致transition layer的输入通道和输出通道的比例发生变化，这可能会导致模型的硬件使用率下降。 因此，我们必须为基于级联的模型提出相应的复合模型缩放方法。 当我们缩放一个计算块的深度因子时，我们还必须计算该块的输出通道的变化。 然后，我们将对过渡层进行等量变化的宽度因子缩放，结果如图3（c）所示。 我们提出的复合缩放方法可以保持模型在初始设计时的特性并保持最佳结构。

---

精读

模型缩放的主要目的

模型缩放的主要目的是调整模型的某些属性，并生成不同比例的模型，以满足不同推理速度的需要【像V5和YOLOX】

 问题引入 

每个比例因子的参数和计算是可以独立分析的。然而，如果将这些方法应用于基于连接的模型架构，我们会发现当对深度进行放大或缩小时，后续网络层的输入width发生变化，使后续层的输入channel和输出channel的ratio发生变化，紧接在基于连接的计算块之 后的转化层(translation layer)的入度将减小或增加，从而导致模型的硬件使用率下降如图(a)->(b)的过程。

方法

作者对于连接模型，提出了一种复合模型方法，在考虑计算模块深度因子缩放的同时也考虑过渡层宽度因子做同等量的变化

当对连接结构的网络进行尺度缩放时，只缩放计算块的深度，转换层的其余部分只进行宽度的缩放

---

4.1 Planned re-parameterized convolution—卷积重参化

翻译

    虽然 RepConv [13] 在 VGG [68] 上取得了优异的性能，但当我们直接将其应用于 ResNet [26] 和 DenseNet [32] 等架构时，其准确率会显着降低。 我们使用梯度流传播路径来分析重新参数化的卷积应该如何与不同的网络相结合。我们还相应地设计了计划的重新参数化卷积。

   RepConv 实际上将 3×3 卷积、1×1 卷积和恒等连接组合在一个卷积层中。 在分析了 RepConv 和不同架构的组合和对应性能后，我们发现 RepConv 中的恒等连接破坏了 ResNet 中的残差和 DenseNet 中的连接，为不同的特征图提供了更多的梯度多样性。 基于以上原因，我们使用无身份连接的 RepConv (RepConvN) 来设计计划重参数化卷积的架构。 在我们的想法中，当一个带有残差或连接的卷积层被重新参数化的卷积代替时，应该没有恒等连接。 图 4 显示了我们设计的用于 PlainNet 和 ResNet 的“计划重新参数化卷积”的示例。 至于基于残差模型和基于连接模型的完整计划的重新参数化卷积实验，将在消融研究部分上进行介绍。

---

精读

回顾RepVGG

RepVGG是采用了VGG风格进行搭建的，采用了重参数化技术，因此叫RepVGG。

(A)是ResNet结构，最上面的部分的identity采用了1×1卷积，而RepVGG大体结构与ResNet相似

(B)图是RepVGG训练时结构，借鉴了ResNet的residual block的结构，具体包括3×3、1×1、shortcut三个分支。

• 当输入输出的维度不一致，即stride=2时，则只有3×3、1×1两个分支
• 当输入输出的维度一致时，在后三层卷积中不仅有1×1的identity connection，还有一个无卷积的直接进行特征融合的identity connection

(C)图是RepVGG测试时结构，会把这些连接全部去掉，就变成了一个单一的VGG结构，这种操作也被称为训练与预测的解耦合

 问题引入 

RepConv中带有的 identity connection破坏了ResNet中的残差和DenseNet中的concatenation，而我们知道残差和concatenation为不同的特征图提供了更多的梯度多样性，这样一来会导致精度下降。所以当一个带有残差或concatenation的卷积层被重参数的卷积所取代时，应该不存在 identity connection

方法

基于此，作者使用无identity connection的RepConv  (RepConvN)来设计规划重参化卷积结构，如下图所示：

---

4.2 Coarse for auxiliary and fine for lead loss—辅助训练模块

（这个标题我真的是找了网上很多的翻译，结果要么是奇怪的直译要么是没翻译，总之理解它是辅助训练模块就行啦）

我的个人理解就是：

Lead head是负责最终输出的 head ；Auxiliary head是负责辅助训练的 head

那么这个标题就是在说负责辅助训练的head用粗标签，负责最终输出的head用细标签

---

4.2.1 Deep supervision—深度监督

翻译

   深度监督 [38] 是一种经常用于训练深度网络的技术。 它的主要概念是在网络的中间层添加额外的辅助头，以辅助损失为指导的浅层网络权重。 即使对于 ResNet [26] 和 DenseNet [32] 等通常收敛良好的架构，深度监督 [70, 98, 67, 47, 82, 65, 86, 50] 仍然可以显着提高模型在许多任务上的性能 . 图 5 (a) 和 (b) 分别显示了“没有”和“有”深度监督的目标检测器架构。 在本文中，我们将负责最终输出的head称为lead head，用于辅助训练的head称为辅助head。

---

精读

简介

   深度监督 是一种常用于训练深度网络的技术。其主要概念是在网络的中间层增加额外的Auxiliary head，以及以Auxiliary损失为导向的浅层网络权值。

下图(A)是无深度监督，  (B)是有深度监督

本文方法

   将负责最终输出的head为Lead head，将用于辅助训练的head称为Auxiliary head。

---

---

【注意】如果粗label非常接近与细label，可能会产生不好的结果

【解决方法】 为了让超粗正grids(Auxiliary head 的正标签)影响小一些，在 decoder 中设置了限制条件，所以那些超粗正grids不能产生 soft label，这样就能在训练的过程中，让grids自动的调节粗标签和细标签的重要程度。

---

4.3 Other trainable bag-of-freebies—其他的可训练“工具”

翻译

本节中，我们将列出一些可训练的免费赠品包。 这些免费赠品是我们在训练中使用的一些技巧，但最初的概念并不是我们提出的。 这些freebies的训练细节将在附录中详细说明，包括（1）conv-bn-activation topology中的Batch normalization：这部分主要将batch normalization layer直接连接到convolutional layer。这样做的目的是在推理阶段将批归一化的均值和方差整合到卷积层的偏差和权重中。  (2) YOLOR[81]中的隐式知识与卷积特征图相结合的加法和乘法方式：YOLOR中的隐式知识可以在推理阶段通过预计算简化为向量。 该向量可以与前一个或后一个卷积层的偏差和权重相结合。  (3) EMA 模型：EMA 是一种在 mean teacher [75] 中使用的技术，在我们的系统中，我们使用 EMA 模型纯粹作为最终的推理模式

---

精读

(1)  conv-bn-activation 结构组合中的批量归一化

(2)   YOLOR中的隐式知识与卷积特征图以及加法和乘法方式相结合

(3)   EMA模型

这个详细解读大家看上面翻译就好~

---

五、Experiments—实验

5.1 Experimental setup—实验步骤

翻译

 我们使用 Microsoft COCO 数据集进行实验并验证我们的对象检测方法。 我们所有的实验都没有使用预训练模型。 也就是说，所有模型都是从头开始训练的。 在开发过程中，我们使用train 2017 set进行训练，然后使用val 2017 set进行验证和选择超参数。 最后，我们展示了对象检测在 2017 年测试集上的性能，并将其与最先进的对象检测算法进行了比较。 详细的训练参数设置在附录中描述。

    我们设计了边缘 GPU、普通 GPU 和云 GPU 的基本模型，它们分别称为 YOLOv7tiny、YOLOv7 和 YOLOv7-W6。 同时，我们还针对不同的业务需求，使用基础模型进行模型缩放，得到不同类型的模型。 对于YOLOv7，我们对颈部进行stack scaling，并使用提出的复合缩放方法对整个模型的深度和宽度进行缩放，并以此获得YOLOv7-X。 对于 YOLOv7-W6，我们使用新提出的复合缩放方法得到 YOLOv7-E6 和 YOLOv7-D6。 此外，我们将提议的 EELAN 用于 YOLOv7-E6，从而完成了 YOLOv7E6E。 由于 YOLOv7-tiny 是一个面向边缘 GPU 的架构，它会使用leaky ReLU 作为激活函数。 至于其他模型，我们使用 SiLU 作为激活函数。 我们将在附录中详细描述每个模型的比例因子。

---

精读

• 数据集： COCO 数据集
• 预训练模型： 无，从0开始训练

• 不同GPU和对应模型：

  • ​​​​​​​边缘GPU：YOLOv7-tiny

  • 普通GPU：YOLOv7​​​​​​​

  • 云GPU的基本模型： YOLOv7-W6

• 激活函数：

  • YOLOv7 tiny： leaky ReLU

  • 其他模型：SiLU

---

5.2 Baselines—基线网络

翻译

我们选择以前版本的 YOLO [3, 79] 和最先进的目标检测器 YOLOR [81] 作为我们的基线。 表 1 显示了我们提出的 YOLOv7 模型与使用相同设置训练的基线的比较。

从结果我们看到，如果与 YOLOv4 相比，YOLOv7 的参数减少了 75%，计算量减少了 36%，AP 提高了 1.5%。 如果与 state-of-theart YOLOR-CSP 相比，YOLOv7 的参数减少了 43%，计算量减少了 15%，AP 提高了 0.4%。 在tiny模型的性能上，与YOLOv4-tiny-31相比，YOLOv7tiny参数数量减少了39%，计算量减少了49%，但AP保持不变。在云 GPU 模型上，我们的模型仍然可以有更高的 AP，同时减少 19% 的参数数量和 33% 的计算量。

---

精读

选择以前版本的YOLO[YOLOv4 ，Scaled-YOLOv4]和最先进的目标检测器YOLOR作为基线。表1展示了本文提出的YOLOv7模型与使 用相同设置训练的基线模型的比较。

结论：具体数值就不重复了，通过对比我们可以看出参数量和计算量都有减少，精确度提高了。

---

结论：反正是打败了它们，目前我们最牛就对咯

---

结论：从表4所示的结果中，看到所有较高的AP值都出现在提出的Planned RepConcatenation 模型上。

在处理基于残差模型的实验中，由于原始dark block没有3×3的卷积块，作者另外设计了一种反向dark block，其体系结构如图7所示：

结论：表5所示的实验结果证实了所提出的重参化策略对于residual的模型依旧有效。 RepCSPResNet的设计也符合本文的设计模式

---

5.4.3 Proposed assistant loss for auxiliary head—提出的 auxiliary head 的 assistant loss

翻译

在辅助头部实验的辅助损失中，我们比较了引导头部和辅助头部方法的一般独立标签分配，并且我们还比较了两种提出的引导引导标签分配方法。 我们在表 6 中展示了所有比较结果。从表 6 中列出的结果可以看出，任何增加辅助损失的模型都可以显着提高整体性能。 此外，我们提出的引导式标签分配策略比 AP、AP50 和 AP75 中的一般独立标签分配策略具有更好的性能。 至于我们提出的粗略辅助和精细引导标签分配策略，它在所有情况下都会产生最佳结果。 在图 8 中，我们展示了在辅助头和前导头上通过不同方法预测的对象图。 从图 8 中我们发现，如果辅助头部学习引导引导soft label，它确实会帮助引导头部从一致目标中提取残差信息。

   由于提出的 YOLOv7 使用多个金字塔来联合预测目标检测结果，我们可以直接将辅助头连接到中间层的金字塔进行训练。 这种训练可以弥补下一层金字塔预测中可能丢失的信息。由于上述原因，我们在提议的 E-ELAN 架构中设计了部分辅助头。 我们的方法是在合并基数之前在其中一组特征图之后连接辅助头，这种连接可以使新生成的一组特征图的权重不会被辅助损失直接更新。 我们的设计允许每个铅头金字塔仍然从不同大小的物体中获取信息。 表 8 显示了使用两种不同方法获得的结果，即粗到细导联方法和部分粗到细导联方法。 显然，部分由粗到细的导引法具有更好的辅助效果。

---

精读

作者比较了lead head和auxiliary head的独立标签分配策略，同时也比较了所提出的引导型标签分配方法，在表6中显示了所有的比较结果：

结论：从表6中列出的结果可以看出，任何增加辅助损失的模型都可以显著提高整体性能。

结论：如果auxiliary head学习先导引导soft label，它确实会帮助lead head从一致目标中提取残差信息。

---

本文参考：

CSDN：

YOLOv7论文部分解读【含自己的理解】

【目标检测】54、YOLO v7 | 又是 Alexey AB 大神！专为实时目标检测设计_

b站：【强推！YOLOv7论文创新点，网络结构，官方源码，全详解，手把手带你逐行解读YOLOV7代码！】