yolov7和yolov5对比有哪些优势？yolov7改进-yolov7详解

YOLOv7发布至今已过去三个月，因为涉及到较多新的知识，可能读起来不算容易。很多人还是依然选择使用YOLOv5。但实际上最新版的YOLOv7比其他版本精密度和速率都要好。下面详细给大家说明一下。

yolov7有哪些优势？

Yolov7超过了目前已知的所有检测器，无论是从速度还是精度上，最高的模型AP值达到56.8%，有着30FPS。Yolov7-E6检测器(56FPS、55.9%AP)超过了所有的transformer-based的检测器如SWIN-L Cascade-Mask R-CNN(9.2FPS A100，53.9AP)，速度是其509%倍，精度提升2%;convolutional-based的检测器ConvNeXt-XL Cascade-Mask R-CNN(8.6FPS A100，55.2%AP)，速度是其551%倍，精度提升0.7%。

YOLOv7 的发展方向与当前主流的实时目标检测器不同，研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外，该研究提出的方法还专注于训练过程的优化，将重点放在了一些优化模块和优化方法上。这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。

目标检测模型特性是如何提高的？

改善即时目标检测模型的特性，通常可以从以下几个方面下手：

1、迅速更强大的网络结构;

2、更高效的特点集成方法;

3、最准确的检测方式;

4、更精准的交叉熵;

5、更高效的标识分派方式;

6、更高效的训练法。

YOLOv7首先从4、5、6下手设计方案特性更强的检查实体模型。 最先 ，YOLOv7扩展了高效率程增强专注力互联网，称之为Extended-ELAN (通称E-ELAN) 。 在大规模ELAN中，不管梯度方向路径长度和块总数怎样，互联网都达到了平衡状态。 但如果无尽地层叠测算块，这类平衡状态也有可能被毁坏，主要参数使用率会降低。 E-ELAN对数量 (Cardinality) 进行了拓展 (Expand) 、乱序 (Shuffle) 、合拼 (Merge cardinality) ，可在不损害初始梯度方向途径的情形下，提升互联网学习的能力。 在系统架构领域，E-ELAN只影响了测算块里的系统架构，没有变化过渡层的系统架构。

人工智能计算机视觉的研究方向非常广泛，许多初学者找不到系统的学习方法，我帮大家整理了一份60G的AI保姆级学习资料包，包括学习路线大纲、经典书籍、论文、深度学习机器学习教程、计算机视觉实战项目代码。

需要的关注我然后私信我发送【 321 】，看到会发