yolov7 网络架构深度解析

在美团yolov6刚出来不到一个月，yolov4的官方人马yolov7带着论文和代码高调现身，迅速霸屏，膜拜下速度和精度：

四个字“多快好省”，yolov7依旧基于anchor based的方法，同时在网络架构上增加E-ELAN层，并将REP层也加入进来，方便后续部署，同时在训练时，在head时，新增Aux_detect用于辅助检测，个人理解是对预测结果的一种初筛，有种two-stage的感觉（欢迎打脸）。

网上基于yolov7的解读有很多，文末会附上yolov7的ariv论文连接和开源代码的github链接。本文先和大家分享下整个yolov7的网络架构（基于tag0.1版本的yolov7L），后续再基于各个模块根据自己的理解分享给大家。

整体框架

如果大家需文中ppt使用，请点击下方链接，关注公众号，后台添加微信，领取，备注“ppt”。
yolov7网络架构深度解析

以上为yolov7整体的网络架构，从图中可看出yolov7网络由三个部分组成：input，backbone和head，与yolov5不同的是，将neck层与head层合称为head层，实际上的功能的一样的。对各个部分的功能和yolov5相同，如backbone用于提取特征，head用于预测。

根据上图的架构图走一遍网络流程：先对输入的图片预处理，对齐成640*640大小的RGB图片，输入到backbone网络中，根据backbone网络中的三层输出，在head层通过backbone网络继续输出三层不同size大小的feature map（以下简称fm），经过RepVGG block 和conv，对图像检测的三类任务（分类、前后背景分类、边框）预测，输出最后的结果。

backbone

yolov7的backbone层如上图所示，由若干BConv层、E-ELAN层以及MPConv层组成，其中BConv层由卷积层+BN层+激活函数组成，在tag0.1版本中的激活函数为ReakyReLu。

不同颜色的Bconv表示卷积的kernel不同（以下k表示kernel长宽大小，s表示stride, o为outchannel, i为inchannel, 其中o=i表示outchannel=inchannel, o≠i表示outchannel与inchannel无相关性，并非其值一定不相等），第一个为（k=1,s=1）的点卷积核的卷积，输入输出的长宽不变，第二个为（k=3,s=1）卷积核的卷积，输出输出的长宽也不变，第三个是s=2,输出的长宽为输入的一半。上述不同颜色的Bconv主要为了区分k和s，不区分输入输出通道。

E-ELAN层也是由不同的卷积拼接而成，如下图所示：

整个E-ELAN层输入输出的长宽不变，channel上o=2i, 其中2i是由4个conv层输出channel为i/2的输出concate拼接而成。

MPConv层（名字自取的，如果有实际确定的命名，欢迎私聊我改正）流程如上图，输入输出通道相同，输出长宽为输入长宽的一半，上分支通过maxpooling使长宽减半，通过BConv对通道减半，下分支则通过第一个BConv对通道减半，第二的k=3，s=2的Bconv对长宽减半，而后上下分支cat合并，得到长宽减半，o=i的输出。

综述整个backbone层由若干BConv层、E-ELAN层以及MPConv层交替减半长宽，增倍通道，提取特征。

head

如上图所示，整个head层通过SPPCPC层、若干BConv层、若干MPConv层、若干Catconv层以及后续输出三个head的RepVGG block层组成。

其中SPPCPC层如下图：整个SPPCSPC层的输出层channel为out_channel，计算中会计算出一个hidden_channel = int(2eout_channel)，用于对hidden_channel(以下统称hc)拓展，一般取e=0.5，则hc=out_channel 。具体的流程如下图：

Catconv层（名字自取的，如果有实际确定的命名，欢迎私聊我改正）与E-ELAN层的操作基本相同：

整个Catconv层输入输出的长宽不变，channel上o=2i, 其中2i是由6个conv层输出channel为i/2的输出concate拼接而成。

REP层即repvgg_block层，为今年超级火的一个部署友好的网络层，yolov6中也有用到：

REP在训练和部署的时候结构不同，在训练的时候由33的卷积添加11的卷积分支，同时如果输入和输出的channel以及h,w的size一致时，再添加一个BN的分支，三个分支相加输出，在部署时，为了方便部署，会将分支的参数重参数化到主分支上，取3*3的主分支卷积输出。

整个head层的流程为，如上图所示输出三个feature map后，分别通过三个REP和conv层输出三个不同size大小的未经处理的预测结果。

以上为个人理解，再看其他的yolov7网络架构，会有DownC和ReOrg两个yolov7L中未出现的层，其中DownC层与MPConv层异曲同工：

ReOrg层与yolov5前期的focus层的切片原理相同。如有理解偏差，欢迎交流，后续根据yolov7中各个模块中的详细的原理以及代码继续更新，希望对大家有帮助。

【yolov7系列】网络框架细节拆解

参考：

[1] https://github.com/WongKinYiu/yolov7（官方github代码）
[2] https://arxiv.org/pdf/2207.02696.pdf(yolov7论文)
[3]https://www.zhihu.com/question/541985721
[4]YOLOv7官方开源 | Alexey Bochkovskiy站台，精度速度超越所有YOLO，还得是AB (qq.com)
[5] YOLOv7来临：论文详读和解析 (qq.com)
[6]【yolov6系列】细节拆解网络框架 (qq.com)