yolov7创新点

创新点一:扩展高效层聚合网络E-ELAN和复合模型缩

中间这个图其实卷积和silu中间还有一个bn层。右边64是输出通道数，1是卷积核大小，1是步长。

v7提出e-elan，其实e-elan就是两个elan。

模型缩放

从（a）到（b），我们观察到，当对基于级联的模型执行深度缩放时，计算块的输出宽度也会增加。这种现象将导致后续传输层的输入宽度增加。因此，我们提出（c），即在基于级联的模型上执行模型缩放时，只需要缩放计算块中的深度，并且传输层的剩余部分使用相应的宽度缩放。 就能使宽度不变了（大致这个道理）。

重参数化网络

从最左边的图可以看到，残差结构有2种，中间的就是重参数化的残差结构，可以看到每个残差结构只跨过一个3x3的卷积，并且有点时候两种残差结构一起融合使用，但是推断阶段就没有残差结构了，这样使训练精度更高，使推断的速度更快。

参数融合，就是说3x3卷积核1x1卷积和啥也不做这3个可以融合为一个3X3卷积。

左边和右边都是啥也不做的情况，就是identity一路。然后比如原道路有一个普通的3x3卷积，那么把这个普通的3x3卷积和上面这个图的右边的这个卷积逐个相加，就能达到参数融合了。就得到了下面这个图的最右边的效果。达到重参数化。


这个repconv就是重参数化卷积。作者发现重参数化的卷积加上残差反而不好（d图），

创新点3 标签匹配

a图是普通的金字塔模型，v7中引入了b结构，加入了辅助头，c图可以看到，同时计算引导头和辅助头的loss，d图看到，在引导头的分配器会辅助计算辅助头的loss，之后同时针对引导头的loss和辅助头的loss进行梯度下降优化。