18、YOLOv7架构特性与基于TensorFlow的目标检测模型训练

YOLOv7架构特性与基于TensorFlow的目标检测模型训练

1. YOLOv7架构特性

YOLOv7论文引入了以下主要变化：
- YOLOv7架构 ：
- 扩展高效层聚合网络（E - ELAN）
- 基于拼接模型的模型缩放
- 可训练的免费技巧包 ：
- 计划重参数化卷积
- 辅助粗粒度和主损失细粒度

1.1 E - ELAN

E - ELAN是YOLOv7主干中的计算块。它通过分析影响速度和准确性的以下因素来设计：
- 内存访问成本
- 输入输出通道比
- 逐元素操作
- 激活函数
- 梯度路径

1.2 基于拼接模型的模型缩放

模型缩放主要旨在修改模型的特定属性，从而创建不同规模的模型。这种调整满足了基于不同需求的不同推理速度要求。例如，EfficientNet的缩放过程涉及宽度、深度和分辨率的调整。相反，对于scaled - YOLOv4，缩放模型围绕修改阶段数量进行。

在采用基于拼接架构的传统方法（如ResNet或PlainNet）中，必须集体检查缩放因子，而不是孤立地检查。换句话说，当增加模型深度时，这种调整可能会触发过渡层中输入和输出通道比的比例变化。因此，这种改变可能会导致模型硬件利用率的降低。

这就是YOLOv7在基于拼接模型框架中引入复合模型缩放的原因。复合缩放方法保留了模型在初始设计时所具有的固有特性，从而确保保留最佳结构。

1.3 计划重参数化卷积