YOLOv7是用于计算机视觉任务的最快、最准确的实时对象检测算法模型。
YOLOv7基础版本的区别
YOLOv7基础版本有三种，分别是YOLOv7、YOLOv7-tiny和YOLOv7-W6：
YOLOv7是针对普通GPU计算优化的基础模型。
YOLOv7-tiny是针对边缘GPU优化的基础模型。计算机视觉模型的后缀“小”意味着它们针对边缘AI和深度学习工作负载进行了优化，并且更轻量级，可以在移动计算设备或分布式边缘服务器和设备上运行ML。该模型对于分布式现实世界的计算机视觉应用程序很重要。与其他版本相比，边缘优化的YOLOv7-tiny使用leaky ReLU作为激活函数，而其他模型使用SiLU作为激活函数。
YOLOv7-W6是针对云GPU计算优化的基础模型。此类云图形单元(GPU)是用于运行应用程序以在云中处理大量AI和深度学习工作负载的计算机实例，而无需在本地用户设备上部署GPU。
YOLOv7的新功能
YOLOv7在不增加推理成本的情况下，大大提高了实时目标检测精度。如之前的基准测试所示，与其他已知物体检测器相比，YOLOv7可以有效减少最先进的实时物体检测约40%的参数和50%的计算量，并实现更快的推理速度和更高的检测精度.
总的来说，YOLOv7提供了更快更强的网络架构，提供了更有效的特征集成方法、更准确的目标检测性能、更鲁棒的损失函数以及更高的标签分配和模型训练效率。
YOLO代表“You Only Look Once”，它是当下流行的实时对象检测算法。最初的YOLO物体检测器于2016年首次发布。它由Joseph Redmon、Ali Farhadi和Santosh Divvala创建。在发布时，这种架构比其他物体检测器快得多，并成为实时计算机视觉应用的最新技术。
YOLO的官方版本只有YOLO v1、YOLO v2、YOLO v3、YOLO v4和最新版的YOLO v7。每个版本的YOLO都比上一个版本提高了性能和效率。
YOLOv5和YOLOv6都不是官方YOLO系列的一部分
YOLOv7架构
YOLOv7架构基于之前的YOLO模型架构
扩展高效层聚合网络(E-ELAN)
YOLOv7骨干网中的计算块被命名为E-ELAN，代表扩展高效层聚合网络。YOLOv7的E-ELAN架构通过使用“expand、shuffle、merge cardinality”使模型能够更好地学习，达到在不破坏原有梯度路径的情况下不断提升网络学习能力的能力。
YOLOv7复合模型缩放
模型缩放的主要目的是调整模型的关键属性，生成满足不同应用需求的模型。例如，模型缩放可以优化模型宽度（通道数）、深度（阶段数）和分辨率（输入图像大小）。
在具有基于级联架构的传统方法中，不能独立分析不同的缩放因子，必须一起考虑。例如，放大模型深度会导致过渡层的输入通道和输出通道之间的比率发生变化，进而可能导致模型的硬件使用量减少。
这就是YOLOv7为基于串联的模型引入复合模型缩放的原因。复合缩放方法允许保持模型在初始设计时具有的属性，从而保持最佳结构。
