全网独家首发|极致版YOLOv7改进大提升(推荐)网络配置文件仅24层!更清晰更方便更快的改进YOLOv7网络模型
Posted 芒果汁没有芒果
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了全网独家首发|极致版YOLOv7改进大提升(推荐)网络配置文件仅24层!更清晰更方便更快的改进YOLOv7网络模型相关的知识,希望对你有一定的参考价值。
有不少小伙伴和我交流YOLO改进的时候,都说YOLOv7的网络配置文件长达104层,改起来很费力,数层数都要数很久,还很容易出错,而且基于YOLOv5代码架构,Debug起来也确实比较费时,所以博主对YOLOv7网络配置进行了一个结构改造,一个 🚀极致简洁直观的YOLOv7网络配置结构🚀(强烈推荐) 独家首发原创!
💡:该结构只有 24层配置,强烈推荐!🌟🌟🌟🌟🌟,直观性直逼YOLOv5的网络配置文件,可以更清晰更方便更快的改进YOLOv7
💡:比起官方的YOLOv7配置,减少了70多层,大大降低了改进难度,本博客内含·极致版YOLOv7架构的改进源代码·跟着步骤直接操作即可
💡YOLOv7极致简约模型,配置只有24层,和官方YOLOv7模型一模一样,完全对齐官方的参数量、计算量、精度mAP、Loss!!!之后的改进完全可以基于这个 极致版YOLOv7 去作为Baseline,效率提升10倍,更快替换主干网络、融合网络,以下是极致版YOLOv7结构
文章目录
层数直观对比图
缩减80层,减少数层数的时间!!
核心代码
改进代码 在第二篇文章,链接:
网络配置架构改进前后 对比(各项指标对齐)
各项直逼对齐,改进YOLOv7,完全可以将这个配置作为原始baseline配置去进行更改!
一、层数配置对比,极致压缩到24层
改进后(24层!!!)
只有24层!!!,直观性直逼YOLOv5的网络配置文件
Model Summary: 37622682 parameters, 37622682 gradients, 106.5 GFLOPS
改进前(104层)
Model Summary: 37622682 parameters, 37622682 gradients, 106.5 GFLOPS
参数量、计算量一致
改进后
Model Summary: 37622682 parameters, 37622682 gradients, 106.5 GFLOPS
改进前
Model Summary: 37622682 parameters, 37622682 gradients, 106.5 GFLOPS
结论:保持一致
精度、Loss一致
改进后
Epoch gpu_mem box obj cls total labels img_size
0/0 0G 0.08807 0.1532 0.5709 0.8122 6 160: 100%|██████████████████████████████████| 64/64 [00:30<00:00, 2.11it/s]
Class Images Labels P R mAP@.5 mAP@.5:.95: 100%|██████████████████████| 32/32 [02:01<00:00, 3.79s/it]
all 128 929 5.86e-06 0.00469 2.67e-06 4.79e-07
改进前
Epoch gpu_mem box obj cls total labels img_size
0/0 0G 0.08807 0.1532 0.5709 0.8122 6 160: 100%|██████████████████████████████████| 64/64 [00:29<00:00, 2.19it/s]
Class Images Labels P R mAP@.5 mAP@.5:.95: 100%|██████████████████████| 32/32 [02:03<00:00, 3.85s/it]
all 128 929 5.86e-06 0.00469 2.67e-06 4.79e-07
结论:保持一致
以上是关于全网独家首发|极致版YOLOv7改进大提升(推荐)网络配置文件仅24层!更清晰更方便更快的改进YOLOv7网络模型的主要内容,如果未能解决你的问题,请参考以下文章
芒果改进YOLOv7系列:全网首发最新 MobileViTv3 系列最强改进版本|轻量化Transformer视觉转换器,简单有效地融合了本地全局和输入特征,高效涨点
YOLOv7改进之损失函数EfficiCIoU-Loss:独家首发最新|结合EfficiCIoULoss损失函数(适用于YOLOv5),新的增强预测帧调整并加快帧回归率,加快网络模型收敛
芒果改进YOLOv7系列:全网首发最新 ICLR2022 顶会|轻量通用的MobileViT结构Transformer,轻量级通用且移动友好的视觉转换器,高效涨点
CSDN独家 | 全网首发 | Pytorch深度学习·理论篇(2023版)目录
YOLOv5改进YOLOv7改进IoU损失函数:YOLOv7涨点Trick,改进添加SIoU损失函数EIoU损失函数GIoU损失函数α-IoU损失函数