內容

1. 來源

   1.1 簡介：YOLOv7提出「標籤分配策略」、「模型縮放與擴展」，降低參數量與FLOPs，獲得超越現有實時物件偵測模型的推論速度及準確率。

   1.2 時程：於2022年7月提出論文。

   1.3 論文名稱：YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors

2. 論文重點

   2.1 導論

   • 物件偵測現況
   • 目的
   • 優化方向

   2.2 實時物件偵測

   • 優秀實時物件偵測的特徵

   • 模型重新參數化

     • 模型集成
     • 模塊集成

   • 模型縮放

     • 文獻探勘
     • E-ELAN

   2.3 模型結構

   • 擴展高效層聚合網路

   • 基於串聯的模型縮放方法

     • 一般縮放
     • 複合模型縮放

   2.4 訓練模型的bag-of-freebies策略

   • 計算重新參數化卷積層

   • 標籤分配策略

     • 一般標籤分配
     • 先導頭引領標籤分配
     • Coarse-to-fine先導頭引領標籤分配

   • Other trainable bagoffreebies

     • Batch normalization
     • YOLOR的隱式知識
     • EMA Model

   2.5 實驗比對

   • 實驗標的

     • 模型獲得步驟
     • YOLOv7-tiny(邊緣GPU)
     • YOLOv7(一般GPU)
     • YOLOv7-W6(雲端GPU)

   • 相同Baseline比較

   • 與其他先進的物件偵測模型比對

   • Ablation study

     • 複合縮放方法
     • 計畫重新參數化模型
     • 輔助頭的輔助損失

3. 優點

   3.1 探索過去文獻，YOLOv7提出物件偵測模型的擴展與複合縮放方法，有效率的利用參數與計算。

   3.2 不同於主流物件偵測模型，本文著重於模型訓練過程的優化，提出新的Bag of freebies、模塊替換與動態標籤分配策略。

   3.3 YOLOv7減少40%參數與50%計算量，故同時具有更佳的推論速度與準確度。

小結

1. 下一站，我們前往「YOLOv7解析(二)」，分享不同模組與優化策略、演算法。

讓我們繼續看下去...

參考資料

1. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors