一、YOLOv7-Tiny概述 YOLOv7-Tiny是YOLOv7系列中的一个轻量级版本,旨在在保持较高检测精度的同时,降低模型的计算量和内存占用。通过优化网络结构和参数,YOLOv7-Tiny在速度和精度之间达到了良好的平衡,为实际应用提供了更多可能性。 二、网络结构解析 输入层:YOLOv7-Tiny的输入层可以处理不同尺寸的图片,具有较大...
yolov7-e6 DowmC结构 yolov7-d6 yolov7e6e yolov7-tiny yolov7训练自己的数据集与yolov5类似,参考之前的文章。
图2.本文网络结构图。 实验结果及结论 4. 实验结果 在VisDrone-2019和HIT-UAV两个数据集上验证,本文方法在多尺度目标检测性能方面仍优于主流模型,并且对小目标检测效果提升较大。 图3显示了YOLOv7-tiny (图3a) 和本文方法 (图3b) 在VisDrone-2019测试数据集上的检测效果比较。如图3b的蓝框所示,特别是在远景中...
YOLOv7-Tiny目前仅提供了SiLU版本,未提供论文中的ReLU版本 官方仓库所使用的激活函数统一为LeakyReLU 目前暂未在仓库中找到论文中提到的merge cardinality和shuffle cardinality等操作 作者在论文提及多分支结构的弊端,但在模型中依旧使用类似densenet多分支,应该是实验出该模型在g...
yolov7-tiny yolov7-w6 # 这不欺负老实人嘛!!! ReOrg+Conv 就是yolov5里面的focus结构 # [from, number, module, args] [[-1, 1, ReOrg, []], # 0 [-1, 1, Conv, [64, 3, 1]], # 1-P1/2 yolov7-x yolov7-e6 [-1, 1, DownC, [320]], # 13-P3/8 ...
YOLOv7-tiny(边缘GPU)、YOLOv7(普通GPU)、YOLOv7-W6(云GPU) 缩放版本 YOLOv7-X:基于YOLOv7,对neck部分进行stage缩放+使用新的模型缩放法对整个模型部分进行depth和width缩放 YOLOv7-E6:基于YOLOv7-W6,使用新的模型缩放法进行了depth缩放 YOLOv7-D6:基于YOLOv7-W6,使用新的模型缩放法进行了depth和width缩放...
网络结构方面,作者为边缘GPU、普通GPU和云GPU设计了三种模型,分别被称为YOLOv7-Tiny、YOLOv7和YOLOv7-W6。同时,还使用基本模型针对不同的服务需求进行缩放,并得到不同大小的模型。对于YOLOv7进行堆叠瓶颈缩放,并使用所提出的复合缩放方法对整个模型的深度和宽度进行缩放,此方法获得了YOLOv7-X。对于YOLOv7-W6,使...
这是因为大多数流行的NAS架构都处理不太相关的伸缩因子。我们观察到所有基于级联的模型,如DenseNet或VoVNet,当这些模型的深度被缩放时,将改变某些层的输入宽度。由于提出的体系结构是基于级联的,我们必须为此模型设计一种新的复合缩放方法。 3.架构 3.1. 扩展高效层聚合网络...
│ │ ├── yolov7-tiny-silu.yaml │ │ ├── yolov7-tiny.yaml │ │ ├── yolov7-w6.yaml │ │ ├── yolov7x.yaml │ │ └── yolov7.yaml │ └── training(训练时候使用的) │ ├── yolov7-d6.yaml │ ├── yolov7-e6e.yaml │ ├── yolov7-e6.yaml │ ...
此外,我们将提出的EELAN用于YOLOv7-E6,从而完成YOLOv7E6E。由于YOLOv7-tiny是面向边缘gpu的架构,所以它将使用Leaky ReLU作为激活函数。对于其他模型,我们使用SiLU作为激活函数。并附录中详细描述每个模型的比例因子。 5.2 基线 我们选择以前版本的YOLO[3,79]和最先进的对象检测器YOLOR[81]作为基线。表1显示了...