继美团发布YOLOV6之后，YOLO系列原作者也发布了YOLOV7。
YOLOV7主要的贡献在于：
1.
模型重参数化
YOLOV7将模型重参数化引入到网络架构中，重参数化这一思想最早出现于REPVGG中。
2.标签分配策略
YOLOV7的标签分配策略采用的是YOLOV5的跨网格搜索，以及YOLOX的匹配策略。
3.ELAN高效网络架构
YOLOV7中提出的一个新的网络架构，以高效为主。
4.带辅助头的训练
YOLOV7提出了辅助头的一个训练方法，主要目的是通过增加训练成本，提升精度，同时不影响推理的时间，因为辅助头只会出现在训练过程中。
YOLO算法作为
one-stage目标检测算法最典型的代表，其基于深度神经网络进行对象的识别和定位，运行速度很快，可以用于实时系统。
YOLOV7是目前YOLO系列最先进的算法，在准确率和速度上超越了以往的YOLO系列。
了解YOLOV7是对目标检测算法研究的一个必须步骤。
1.设计了几种可训练的
Bag-of-Freebies方法，使得实时目标检测在不增加推理代价的情况下，大大提高了检测精度；
2.对于目标检测方法的发展，我们发现了两个新的问题，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对不同输出层的分配。此外，我们还提出了解决这些问题所产生的困难的方法。
3.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.论文提出的方法可以有效地减少现有实时目标检测器约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。
- 更快更强的网络架构
- 更有效的特征集成方法
- 更准确的检测方法
- 更鲁棒的损失函数
- 更有效的标签分配分配
- 更有效的训练方法
Step1. 融合卷积层（ identity ）和 BN 层，再对融合后的 1x1 卷积和 identity 进行补零（类似 padding 操作）扩展成 3x3 大小的卷积核；
Step2. 利用卷积的可加性，将 3 个 3x3 卷积合并为一个；
Step3. 完成结构重参数化，得到 plain 形式的推理模型（上一层输出为下一层输入，没有skip等分支操作）。
模型缩放通过扩大或缩小baseline，使其适用于不同的计算设备。模型缩放方法通常包括不同的缩放因子，如:
input size（输入图像大小）depth（层数）width（通道数）stage（特征金字塔数量）
从而在网络的参数量、计算量、推理速度和精度方面实现很好的权衡。网络架构搜索(NAS)也是目前常用的模型缩放方法之一。
将卷积的输入feature map分成组，每个卷积核也相应地分成组，在对应的组内做卷积。
如下图所示，图中分组数，即上面的一组feature map只和上面的一组卷积核做卷积，下面的一组feature map只和下面的一组卷积核做卷积。每组卷积都生成一个feature map，共生成group组feature map。
目标置信度损失：BCEWithLogitsLoss
分类损失采用：BCEWithLogitsLoss
坐标损失采用：CIoU损失
BCEWithLogitsLoss与BCELoss的区别：
该loss 层包括了 Sigmoid 层和BCELoss 层，故而神经网络的输出无需经过sigmoid函数，其他都是一样的
①yolov5:使用yolov5正负样本分配策略分配正样本。
②YOLOX:计算每个样本对每个GT的Reg+Cla loss（Loss aware）
③YOLOX:使用每个GT的预测样本确定它需要分配到的正样本数（Dynamic k）
④YOLOX:为每个GT取loss最小的前dynamic k个样本作为正样本
⑤YOLOX:人工去掉同一个样本被分配到多个GT的正样本的情况（全局信息）
- lead head中每个网格与gt如果匹配上，附加周边两个网格
- aux head附加4个网格（如上面导数第二幅图，匹配到浅黄+橘黄共5个网格）
- lead head中将top10个样本iou求和取整，而aux head中取top20。
- aux head更关注于recall，而lead head从aux head中精准筛选出样本。
