YOLOv7速度精度超越其他变体，大神AB发推，网友：还得是你 Pine发自凹非寺量子位|公众号

Pine发自凹非寺
量子位|公众号QbitAI【YOLOv7速度精度超越其他变体，大神AB发推，网友：还得是你】前脚美团刚发布YOLOv6 ， YOLO官方团队又放出新版本。
曾参与YOLO项目维护的大神AlexeyBochkovskiy在推特上声称：
官方版YOLOv7比以下版本的精度和速度都要好。

文章图片
在论文中，团队详细对比了YOLOv7和其他变体的性能对比，并介绍v7版本的新变化。

文章图片
话不多说， YOLOv7有多强一起来看实验结果。
速度、精度都超越其他变体论文中，实验以之前版本的YOLO和最先进的目标检测模型作为基准。
表格是YOLOv7模型在相同的参数设置下与其他版本的比较：
数据标绿代表性能相较于之前版本有所提升，参数量和计算量相较于之前版本，大部分均有所减少， AP也有所提升。
即使在云GPU模型上，最新模型仍可以保持较高的AP ，与此同时计算量和参数量相较于之前模型也均有所下降。

文章图片
YOLOv7可以很好地平衡速度与精度。
与现有的通用GPU和移动GPU的目标检测模型进行比较：
YOLOv7在速度（FPS）和精度（AP）均超过其他目标检测模型。
比如，在输入分辨率为1280时，将YOLOv7与YOLOR进行比较， YOLOv7-W6的推理速度比YOLOR-P6快8fps ，检测率也提高了1%AP 。

文章图片

文章图片
性能是怎么提升的？改进实时目标检测模型的性能，往往要从以下几点入手：
1、更快更强的网络架构；
2、更有效的特征集成方法；3、更准确的检测方法；4、更精确的损失函数；5、更有效的标签分配方法；6、更有效的训练方法。YOLOv7主要从4、5、6入手设计性能更好的检测模型。
首先， YOLOv7扩展了高效长程注意力网络，称为Extended-ELAN（简称E-ELAN）。
在大规模的ELAN中，无论梯度路径长度和块的数量如何，网络都能达到稳定状态。
但是如果无限地堆叠计算块，这种稳定状态也可能会被破坏，参数利用率也会降低。
E-ELAN对基数(Cardinality)做了扩展(Expand)、乱序(Shuffle)、合并(Mergecardinality) ，能在不破坏原始梯度路径的情况下，提高网络的学习能力。
在架构方面， E-ELAN只改变了计算块中的体系结构，没有改变过渡层的体系结构。

文章图片
除了保持原来ELAN的设计架构外， E-ELAN还可以引导不同的计算块组来学习更多样化的特性。
而后， YOLOv7采用基于级联的(Concatenation-based)模型缩放方法。
模型缩放是指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。
然而，模型缩放如果应用于基于连接的架构，当扩大或缩小执行深度时，基于连接的翻译层的计算块将减少或增加。
由此可以推断，对于基于级联的模型，不能单独分析不同的缩放因子，必须一起考虑。
基于级联的模型缩放方法是一个复合模型缩放方法，当缩放一个计算块的深度因子时，同时也要计算该块输出通道的变化。
然后，对过渡层以相同的变化量进行宽度因子缩放，这样就可以保持模型在初始设计时的特性，并保持最优结构。