前言
终于读到传说中的YOLOv7了~≖‿≖✧
这篇是在美团的v6出来不到一个月就高调登场，作者还是我们熟悉的AB大神（对，就是v4那个），读起来又是“熟悉”的感觉（贯穿了我的整个五一假期（╯－＿－）╯╧╧）。
其实关于YOLOv7的网络结构还有很多细节值得深入研究，以及代码我在后续也会像v5那样出个详解系列（后台收到太多私信让我出v7的代码，桥豆麻袋！等俺研究明白了就出！(ง •̀_•́)ง）
好了，这篇就让我们先学习一下论文部分吧！
学习资料：
论文：YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
YOLO论文系列前期回顾：
【YOLO系列】YOLOv6论文超详细解读（翻译 ＋学习笔记）
【YOLO系列】YOLOv4论文超详细解读1（翻译 ＋学习笔记）
【YOLO系列】YOLOv3论文超详细解读（翻译 ＋学习笔记）
【YOLO系列】YOLOv2论文超详细解读（翻译 ＋学习笔记）
【YOLO系列】YOLOv1论文超详细解读（翻译 ＋学习笔记）
Abstract—摘要
翻译
YOLOv7在5FPS到 160 FPS 范围内的速度和准确度都超过了所有已知的物体检测器，YOLOv7 在 5 FPS 到 160 FPS 范围内的速度和准确度都超过了所有已知的目标检测器，并且在 GPU V100 上 30 FPS 或更高的所有已知实时目标检测器中具有最高的准确度 56.8% AP。YOLOv7-E6 目标检测器（56 FPS V100，55.9% AP）比基于transformer-based的检测器 SWINL Cascade-Mask R-CNN（9.2 FPS A100，53.9% AP）的速度和准确度分别高出 509% 和 2%，以及基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度提高 551%，准确率提高 0.7%，以及 YOLOv7 的表现优于：YOLOR、YOLOX、Scaled-YOLOv4、YOLOv5、DETR、Deformable DETR , DINO-5scale-R50, ViT-Adapter-B 和许多其他物体探测器在速度和准确度上。 此外，我们只在 MS COCO 数据集上从头开始训练 YOLOv7，而不使用任何其他数据集或预训练的权重。 源码发布在： GitHub - WongKinYiu/yolov7: Implementation of paper - YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
精读
YOLOv7的成就
在5FPS到160FPS的范围内，在速度和精度上都超过了所有已知的物体检测器，在GPU V100上以30 FPS或更高的速度在所有已知 的实时物体检测器中具有最高的精度56.8%AP
YOLOv7-E6在速度和精度上优于
- 基于transformer的检测器SWINLCascade-MaskR-CNN
- 基于卷积的检测器ConvNeXtXL级联掩码R-CNN
YOLOv7优于
YOLOR、YOLOX、Scaled-YOLOv4、YOLOv5、DETR、可变形DETR、DINO-5scale-R50、ViT-Adapter-B和许多其他物体检测器的速度和精度。
训练方面：作者只在COCO数据集上从0开始训练YOLOv7，而不使用任何其他数据集或预先训练的权重。
一、 Introduction—简介
翻译
实时对象检测是计算机视觉中非常重要的主题，因为它通常是计算机视觉系统中的必要组件。 例如，多目标跟踪[94, 93]，自动驾驶[40, 18]，机器人[35, 58]，医学图像分析[34, 46]等。执行实时目标检测的计算设备通常是一些移动CPU或GPU，以及各大厂商开发的各种神经处理单元（NPU）。 比如苹果神经引擎（Apple）、神经计算棒（Intel）、Jetson AI边缘设备（Nvidia）、边缘TPU（谷歌）、神经处理引擎（Qualcomm）、AI处理单元（MediaTek）、 和 AI SoC（Kneron）都是 NPU。 上面提到的一些边缘设备专注于加速不同的操作，例如普通卷积、深度卷积或 MLP 操作。 在本文中，我们提出的实时目标检测器主要希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。
近年来，实时目标检测器仍在针对不同的边缘设备进行开发。例如，开发MCUNet [49, 48] 和 NanoDet [54] 的运营专注于生产低功耗单芯片并提高边缘 CPU 的推理速度。 至于 YOLOX [21] 和 YOLOR [81] 等方法，他们专注于提高各种 GPU 的推理速度。 最近，实时目标检测器的发展集中在高效架构的设计上。 至于可以在 CPU [54, 88, 84, 83] 上使用的实时目标检测器，他们的设计主要基于 MobileNet [28, 66, 27]、ShuffleNet [92, 55] 或 GhostNet [25] . 另一个主流的实时目标检测器是为 GPU [81, 21, 97] 开发的，它们大多使用 ResNet [26]、DarkNet [63] 或 DLA [87]，然后使用 CSPNet [80] 策略来优化架构。 本文提出的方法的发展方向与当前主流的实时目标检测器不同。 除了架构优化之外，我们提出的方法将专注于训练过程的优化。 我们的重点将放在一些优化的模块和优化方法上，它们可能会增加训练成本以提高目标检测的准确性，但不会增加推理成本。我们将提出的模块和优化方法称为可训练的bag-of-freebies。
最近，模型重新参数化[13,12,29]和动态标签分配[20,17,42]已成为网络训练和目标检测的重要课题。 主要是在上述新概念提出之后，物体检测器的训练演变出了很多新的问题。 在本文中，我们将介绍我们发现的一些新问题，并设计解决这些问题的有效方法。对于模型重参数化，我们用梯度传播路径的概念分析了适用于不同网络层的模型重参数化策略，并提出了有计划的重参数化模型。 此外，当我们发现使用动态标签分配技术时，具有多个输出层的模型的训练会产生新的问题。即：“如何为不同分支的输出分配动态目标？” 针对这个问题，我们提出了一种新的标签分配方法，称为coarse-to-fine引导式标签分配
本文的贡献总结如下：（1）我们设计了几种可训练的bag-of-freebies方法，使得实时目标检测可以在不增加推理成本的情况下大大提高检测精度；(2) 对于目标检测方法的演进，我们发现了两个新问题，即重新参数化的模块如何替换原始模块，以及动态标签分配策略如何处理分配给不同输出层的问题。 此外，我们还提出了解决这些问题所带来的困难的方法；(3) 我们提出了实时目标检测器的“扩展”和“复合缩放”方法，可以有效地利用参数和计算； (4) 我们提出的方法可以有效减少最先进实时目标检测器约40%的参数和50%的计算量，并具有更快的推理速度和更高的检测精度。
精读
本文主要工作
- 提出了一个实时对象检测器，主要是希望它能够从边缘到云端同时支持移动GPU和GPU设备
- 优化了架构，专注于优化训练过程。重点放在优化模块和优化方法上，称为可训练的 “Bag of freebies”。
其实关于Bagoffreebies和Bagofspecials我们在YOLOv4就见过，现在来回顾一下：
- Bagoffreebies：字面意思就是“免费赠品”。在这里就是指用一些比较有用的训练技巧来训练模型， 只会改变训练策略或只会增加训练成本(不增加推理成本)的方法。从而使得模型获得更好的准确率但不增加模型的复杂度，也就不会增加推理的计算量。
- Bagofspecials：指一些插件模块(pluginmodules)和后处理方法(post-processingmethods)， 它们只稍微增加了推理成本，但可以极大的提高目标检测的准确度。 一般来说，这些插件用来提高一个模型中的特定属性。比如增加感受野( SPP、 ASPP、 RFB)，引入注意力机制(spatialattention、channelattention)，提高特征整合的能力(FPN、ASFF、BiFPN)。
- 对于模型重参数化问题，本文使用梯度传播路径的概念分析了适用于不同网络中的层的模型重参数化策略，并提出了有计划的重参数化模型。
- 对于动态标签分配问题，本文提出了一种新的标签分配方法，称为由粗到细引导标签分配
本文主要贡献
(1)提出了几种可用于训练的方法，这些方法仅仅会增加训练上的负担用于提升model性能，而不会增加推理负担
(2)对于目标检测方法的发展，作者发现了两个新问题：
- ①重参数化模块如何替换原始模块
- ②动态标签分配策略如何处理对不同输出层的分配
不过本文提出了解决这俩问题的方法
(3)作者针对目标检测可以更有效的利用参数和计算问题，提出了"扩展"(extend)和“复合缩放”(compound scaling)
(4)提出的方法可以有效的减少40%参数量和50%计算量，高精度高速度
二、Relatedwork—相关工作
2.1 Real-time object detectors—实时物体检测器
翻译
目前最先进的实时目标检测器主要基于 YOLO [61, 62, 63] 和 FCOS [76, 77]，分别是 [3, 79, 81, 21, 54, 85, 23] . 能够成为最先进的实时目标检测器通常需要以下特性：（1）更快更强的网络架构； (2) 更有效的特征整合方法[22, 97, 37, 74, 59, 30, 9, 45]； (3) 更准确的检测方法 [76, 77, 69]; (4) 更稳健的损失函数 [96, 64, 6, 56, 95, 57]； (5) 一种更有效的标签分配方法 [99, 20, 17, 82, 42]； (6) 更有效的训练方法。 在本文中，我们不打算探索需要额外数据或大型模型的自我监督学习或知识蒸馏方法。 相反，我们将针对与上述 (4)、(5) 和 (6) 相关的最先进方法衍生的问题设计新的可训练bag-of-freebies方法。
精读
先进的网络应该具有以下特性：
(1)更快更有效的网络
(2)更有效的特征集成方法
(3)更准确的检测方法
(4)更有鲁棒性的损失函数
(5)更有效的标签匹配方法
(6)更有效的训练方法
本文中主要针对(4)、(5)、(6)。
2.2 Model re-parameterization—模型重新参数化
翻译
模型重新参数化技术 [71、31、75、19、33、11、4、24、13、12、10、29、14、78] 在推理阶段将多个计算模块合并为一个。 模型重参数化技术可以看作是一种集成技术，我们可以将其分为两类，即模块级集成和模型级集成。 模型级别的重新参数化有两种常见的做法来获得最终的推理模型。 一种是用不同的训练数据训练多个相同的模型，然后对多个训练模型的权重进行平均。 另一种是对不同迭代次数的模型权重进行加权平均。 模块级重新参数化是最近比较热门的研究问题。这种方法在训练时将一个模块拆分为多个相同或不同的模块分支，在推理时将多个分支模块整合为一个完全等效的模块。然而，并非所有提出的重新参数化模块都可以完美地应用于不同的架构。 考虑到这一点，我们开发了新的重新参数化模块，并为各种架构设计了相关的应用策略。
精读
模型重新参数化的介绍
在训练时将一个模块拆分为多个相同或不同的模块分支；在推理时将多个分支模块整合为一个完全等效的模块。
有两种方法：即模块级集成和模型级集成
获得最终推理模型的两种方法
(1)用不同的训练数据训练多个相同的模型，然后对多个训练模型的权重进行平均
(2)对不同迭代次数的模型权重进行加权平均
优点
- 训练时，采用多分支的网络使模型获取更好的特征表达
- 推理时，将并行融合成串行，从而降低计算量和参数量，提升速度(融合后理论上和融合前识别效果一样，实际基本都是稍微降低一点点)
不足
并不是所有提出的重新参数化模块都可以完美地应用于不同的架构。
2.3 Model scaling—模型缩放
翻译
模型缩放 [72, 60, 74, 73, 15, 16, 2, 51] 是一种放大或缩小已设计模型并使其适合不同计算设备的方法。 模型缩放方法通常使用不同的缩放因子，例如分辨率（输入图像的大小）、深度（层数）、宽度（通道数）和阶段（特征金字塔的数量），以实现良好的权衡 -off 表示网络参数的数量、计算量、推理速度和准确性。 网络架构搜索（NAS）是常用的模型缩放方法之一。 NAS 可以自动从搜索空间中搜索到合适的缩放因子，而无需定义过于复杂的规则。 NAS 的缺点是需要非常昂贵的计算来完成对模型缩放因子的搜索。 在[15]中，研究人员分析了缩放因子与参数数量和操作量之间的关系，试图直接估计一些规则，从而获得模型缩放所需的缩放因子。 查阅文献，我们发现几乎所有模型缩放方法都独立分析单个缩放因子，甚至复合缩放类别中的方法也独立优化缩放因子。 这样做的原因是因为大多数流行的 NAS 架构处理的比例因子不是很相关。 我们观察到，所有基于连接的模型，例如 DenseNet [32] 或 VoVNet [39]，都会在缩放此类模型的深度时改变某些层的输入宽度。 由于提出的架构是基于串联的我们必须为此模型设计一种新的复合缩放方法。
精读
常采用的缩放因子
- 分辨率(输入图像的大小)
- 深度(层数)
- 宽度(通道数)
- 阶段(特征金字塔的数量)
常用方法：NAS
介绍：NAS即模型搜索，其主要思路就是不需要人为去设计特定的网络，而是让模型自己去选择
注意问题：
(1)怎么定义候选空间
(2)加速训练
不足：消耗大量的时间和资源
三、Architecture—网络结构
3.1 Extended efficient layer aggregation networks—扩展的高效层聚合网络
翻译
在大多数关于设计高效架构的文献中，主要考虑因素不超过参数的数量、计算量和计算密度。Ma 等人还从内存访问成本的特点出发，分析了输入/输出通道比、架构的分支数量以及 element-wise 操作对网络推理速度的影响。多尔阿尔等人在执行模型缩放时还考虑了激活，即更多地考虑卷积层输出张量中的元素数量。 图 2（b）中 CSPVoVNet [79] 的设计是 VoVNet [39] 的变体。 除了考虑上述基本设计问题外，CSPVoVNet [79] 的架构还分析了梯度路径，以使不同层的权重能够学习更多不同的特征。上述梯度分析方法使推理更快、更准确。 图 2 (c) 中的 ELAN [1] 考虑了以下设计策略——“如何设计一个高效的网络？”。 他们得出了一个结论：通过控制最短最长的梯度路径，更深的网络可以有效地学习和收敛。 在本文中，我们提出了基于 ELAN 的扩展 ELAN（E-ELAN），其主要架构如图 2（d）所示。
无论梯度路径长度和大规模 ELAN 中计算块的堆叠数量如何，它都达到了稳定状态。 如果无限堆叠更多的计算块，可能会破坏这种稳定状态，参数利用率会降低。 提出的E-ELAN使用expand、shuffle、merge cardinality来实现在不破坏原有梯度路径的情况下不断增强网络学习能力的能力。在架构方面，E-ELAN 只改变了计算块的架构，而过渡层的架构完全没有改变。 我们的策略是使用组卷积来扩展计算块的通道和基数。 我们将对计算层的所有计算块应用相同的组参数和通道乘数。 然后，每个计算块计算出的特征图会根据设置的组参数g被打乱成g个组，然后将它们连接在一起。 此时，每组特征图的通道数将与原始架构中的通道数相同。 最后，我们添加 g 组特征图来执行合并基数。 除了保持原有的 ELAN 设计架构，E-ELAN 还可以引导不同组的计算块学习更多样化的特征。
精读
（a）VoVNet
VoVNet是一个基于连接的模型，由OSA组成，将 DenseNet 改进的更高效，区别于常见的plain结构和残差结构。
这种结构不仅继承了 DenseNet的多感受野表示多种特征的优点，也解决了密集连接效率低下的问题。
关于VoVNet详解可以参考：VoVNet：实时目标检测 backbone网络_目标检测backbone_AI视觉网奇的博客-CSDN博客
（b）CSPVoVNet
(b)是(a)的CSP变体，CSPVoVNet除了考虑到参数量、计算量、计算密度、ShuffleNetv2提出的内存访问成本(输入输出通道比，架构分支数量，element-wise等)，还分析了梯度路径，可以让不同层的权重学习到更具有区分性的特征。
(c) ELAN
(c)就“如何设计一个高效的网络”得出结论：通过控制最短最长的梯度路径，更深的网络可以更有效地学习和收敛。
梯度路径设计的优点与缺点
梯度路径设计策略总共有3个优点：
- 1. 可以有效地使用网络参数 ，在这一部分中提出通过调整梯度传播路径，不同计算单元的权重可以学习各种信息，从而实现更高的参数利用效率
- 2. 具有稳定的模型学习能力，由于梯度路径设计策略直接确定并传播信息以更新权重到每个计算单元，因此所设计的架构可以避免训练期间的退化
- 3. 具有高效的推理速度，梯度路径设计策略使得参数利用非常有效，因此网络可以在不增加额外复杂架构的情况下实现更高的精度。
由于上述原因，所设计的网络在架构上可以更轻、更简单。
梯度路径设计策略有1个缺点：
- 1. 当梯度更新路径不是网络的简单反向前馈路径时，编程的难度将大大增加。
关于ELAN 详解可以参考：【网络结构设计】11、E-LAN | 通过梯度传输路径来设计网络结构_呆呆的猫的博客-CSDN博客
(d) E-ELAN
(d)是作者提出的 Extended-ELAN (E-ELAN) ，E-ELAN使用了 expand、shuffle、mergecardinality来实现对 ELAN网络的增强。
在架构方面，E-ELAN 只改变了计算块(computationblocks)的架构，而过渡层(transitionlayer)的架构完全没有改变。
YOLOv7 的策略是使用组卷积来扩展计算块的通道和基数。
实现方法
- 首先，使用组卷积来增大通道和计算块的基数 (所有计算块使用的组参数及通道乘数都相同)
- 接着，将计算块得到的特征图 shuffle到 g个组，然后 concat，这样一来每个组中的特征图通道数和初始结构的通道数是相同的
- 最后，将 g 个组的特征都相加
3.2 Model scaling for concatenation-based models— 基于连接的模型的模型缩放
翻译
模型缩放的主要目的是调整模型的一些属性，生成不同尺度的模型，以满足不同推理速度的需求。 例如，EfficientNet [72] 的缩放模型考虑了宽度、深度和分辨率。至于 scaled-YOLOv4 [79]，其缩放模型是调整阶段数。 在 [15] 中，Dollar等人。分析了香草卷积和组卷积在进行宽度和深度缩放时对参数量和计算量的影响，并以此设计了相应的模型缩放方法。
以上方法主要用在PlainNet或ResNet等架构中。 这些架构在进行扩容或缩容时，每一层的入度和出度都不会发生变化，因此我们可以独立分析每个缩放因子对参数量和计算量的影响。 然而，如果将这些方法应用于基于连接的架构，我们会发现当对深度进行放大或缩小时，紧接在基于连接的计算块之后的平移层的入度将减小或 增加，如图3（a）和（b）所示。
从上述现象可以推断，对于基于串联的模型，我们不能单独分析不同的缩放因子，而必须一起考虑。 以scaling-up depth为例，这样的动作会导致transition layer的输入通道和输出通道的比例发生变化，这可能会导致模型的硬件使用率下降。 因此，我们必须为基于级联的模型提出相应的复合模型缩放方法。 当我们缩放一个计算块的深度因子时，我们还必须计算该块的输出通道的变化。 然后，我们将对过渡层进行等量变化的宽度因子缩放，结果如图3（c）所示。 我们提出的复合缩放方法可以保持模型在初始设计时的特性并保持最佳结构。
精读
模型缩放的主要目的
模型缩放的主要目的是调整模型的某些属性，并生成不同比例的模型，以满足不同推理速度的需要【像V5和YOLOX】
问题引入
每个比例因子的参数和计算是可以独立分析的。然而，如果将这些方法应用于基于连接的模型架构，我们会发现当对深度进行放大或缩小时，后续网络层的输入width发生变化，使后续层的输入channel和输出channel的ratio发生变化，紧接在基于连接的计算块之 后的转化层(translationlayer)的入度将减小或增加，从而导致模型的硬件使用率下降如图(a)->(b)的过程。
方法
作者对于连接模型，提出了一种复合模型方法，在考虑计算模块深度因子缩放的同时也考虑过渡层宽度因子做同等量的变化
当对连接结构的网络进行尺度缩放时，只缩放计算块的深度，转换层的其余部分只进行宽度的缩放
四、Trainablebag-of-freebies—可训练的bag-of-freebies
4.1 Planned re-parameterized convolution—卷积重参化
翻译
虽然 RepConv [13] 在 VGG [68] 上取得了优异的性能，但当我们直接将其应用于 ResNet [26] 和 DenseNet [32] 等架构时，其准确率会显着降低。 我们使用梯度流传播路径来分析重新参数化的卷积应该如何与不同的网络相结合。我们还相应地设计了计划的重新参数化卷积。
RepConv 实际上将 3×3 卷积、1×1 卷积和恒等连接组合在一个卷积层中。 在分析了 RepConv 和不同架构的组合和对应性能后，我们发现 RepConv 中的恒等连接破坏了 ResNet 中的残差和 DenseNet 中的连接，为不同的特征图提供了更多的梯度多样性。 基于以上原因，我们使用无身份连接的 RepConv (RepConvN) 来设计计划重参数化卷积的架构。 在我们的想法中，当一个带有残差或连接的卷积层被重新参数化的卷积代替时，应该没有恒等连接。 图 4 显示了我们设计的用于 PlainNet 和 ResNet 的“计划重新参数化卷积”的示例。 至于基于残差模型和基于连接模型的完整计划的重新参数化卷积实验，将在消融研究部分上进行介绍。
精读
回顾RepVGG
RepVGG是采用了VGG风格进行搭建的，采用了重参数化技术，因此叫RepVGG。
(A)是ResNet结构，最上面的部分的identity采用了1×1卷积，而RepVGG大体结构与ResNet相似
(B)图是RepVGG训练时结构，借鉴了ResNet的residualblock的结构，具体包括3×3、1×1、shortcut三个分支。
- 当输入输出的维度不一致，即stride=2时，则只有3×3、1×1两个分支
- 当输入输出的维度一致时，在后三层卷积中不仅有1×1的identity connection，还有一个无卷积的直接进行特征融合的identity connection
(C)图是RepVGG测试时结构，会把这些连接全部去掉，就变成了一个单一的VGG结构，这种操作也被称为训练与预测的解耦合
问题引入
RepConv中带有的 identityconnection破坏了ResNet中的残差和DenseNet中的concatenation，而我们知道残差和concatenation为不同的特征图提供了更多的梯度多样性，这样一来会导致精度下降。所以当一个带有残差或concatenation的卷积层被重参数的卷积所取代时，应该不存在 identity connection
方法
基于此，作者使用无identityconnection的RepConv (RepConvN)来设计规划重参化卷积结构，如下图所示：
4.2 Coarse for auxiliary and fine for lead loss—辅助训练模块
（这个标题我真的是找了网上很多的翻译，结果要么是奇怪的直译要么是没翻译，总之理解它是辅助训练模块就行啦）
我的个人理解就是：
Leadhead是负责最终输出的 head；Auxiliaryhead是负责辅助训练的 head
那么这个标题就是在说负责辅助训练的head用粗标签，负责最终输出的head用细标签
4.2.1 Deep supervision—深度监督
翻译
深度监督 [38] 是一种经常用于训练深度网络的技术。 它的主要概念是在网络的中间层添加额外的辅助头，以辅助损失为指导的浅层网络权重。 即使对于 ResNet [26] 和 DenseNet [32] 等通常收敛良好的架构，深度监督 [70, 98, 67, 47, 82, 65, 86, 50] 仍然可以显着提高模型在许多任务上的性能 . 图 5 (a) 和 (b) 分别显示了“没有”和“有”深度监督的目标检测器架构。 在本文中，我们将负责最终输出的head称为lead head，用于辅助训练的head称为辅助head。
精读
简介
深度监督 是一种常用于训练深度网络的技术。其主要概念是在网络的中间层增加额外的Auxiliary head，以及以Auxiliary损失为导向的浅层网络权值。
下图(A)是无深度监督， (B)是有深度监督
本文方法
将负责最终输出的head为Lead head，将用于辅助训练的head称为Auxiliary head。
4.2.2 Label assigner— 标签分配器
翻译
接下来我们要讨论标签分配的问题。 过去，在深度网络的训练中，标签分配通常直接指的是ground truth，并根据给定的规则生成hard label。 然而，近年来，如果我们以物体检测为例，研究人员往往会利用网络预测输出的质量和分布，然后与ground truth一起考虑使用一些计算和优化方法来生成可靠的soft label [61、8、36、99、91、44、43、90、20、17、42]。例如，YOLO [61] 使用预测边界框回归和地面实况的 IoU 作为 objectness 的soft label。 在本文中，我们将网络预测结果与基本事实一起考虑，然后分配soft label的机制称为“标签分配器”。
无论auxiliary head or lead head的情况如何，都需要对目标目标进行深度监督。 在soft label分配器相关技术的过程中，我们无意中发现了一个新的衍生问题，即“如何将soft label分配给auxiliary head and lead head？” 据我们所知，到目前为止，相关文献还没有探讨过这个问题。 目前最流行的方法的结果如图5（c）所示，就是将辅助head和lead head分离出来，然后利用各自的预测结果和ground truth进行标签分配。 本文提出的方法是一种新的标签分配方法，通过前导头预测来指导辅助头和前导头。换句话说，我们使用引导头预测作为指导来生成从coarse-to-fine的分层标签，这些标签分别用于辅助头部和引导头学习。 提出的两种深度监督标签分配策略分别如图 5 (d) 和 (e) 所示。
精读
以前方法
过去，在深度网络的训练中，标签分配通常直接参考GT，并根据给定的规则生成hard label
本文方法
作者提出一个“label assigner(标签分配器)” 机制，该机制将网络预测结果与GT一起考虑，然后分配soft label
关于hardlabel和softlabel：
- hard label：有些论文中也称为hard target ，其实这也是借鉴了知识蒸馏的思想，hard字面意思上就可以看出比较强硬，是就是，不是就是不是，标签形式：(1,2,3...)或(0,1,0,0...)【举个栗子：要么是猫要么是狗】
- soft label：soft是以概率的形式来表示。可理解为对标签的平滑也即软化，比如像[0.6,0.4]，【举个栗子：有60%的概率是猫， 40%的概率是狗】，就好像不会给你非常明确的回答。
现在比较流行的结构中，经常会将网络输出的数据分布通过一定的优化方法等与GT进行匹配生成softlabel（其实我们熟悉的经过softmax的或者sigmod输出就是一种softlabel）。
问题引入
如何为Auxiliaryhead和Leadhead分配soft label？
目前方法
如(c)所示，这是独立标签匹配结构，将Auxiliary head和Lead head分离，然后使用它们自己的预测结果和真实标签来进行标签分配。
4.2.3 Lead head guided label assigner— 先导头导向标签分配器
翻译
(Lead head guided label assigner) lead head导向标签分配器 主要基于lead head的预测结果和GT来计算，并通过优化过程生成soft标签。这组soft标签将用作辅助head和lead head的训练。这样做的原因是因为lead head具有相对较强的学习能力，因此由其生成的soft标签应更能代表源数据和目标之间的分布和相关性。此外，我们可以将这种学习视为一种广义残差学习。通过让较浅的辅助head直接学习lead head已经学习的信息，lead head将更能够专注于学习尚未学习的剩余(residual )信息。
精读
具体方法
主要基于Leadhead的预测结果和GT来计算，并通过优化过程生成soft label 。这组soft label 将用作Auxiliary head和Lead head的训练。
原因
- Leadhead的学习能力更强一些，所以从它当中得到的soft label在数据集的数据概率中更具有代表性。
- Leadhead能够只学习 Auxiliaryhead没有学习到的特征。
4.2.4 Coarse-to-fine lead head guided label assigner— 由粗到精的 lead head 指导标签分配器
翻译
(Coarse-to-fine lead head guided label assigner)由粗至细的lead head引导标签分配器 ，也使用lead head的预测结果和GT生成soft标签。然而，在此过程中，生成了两组不同的soft标签，即粗标签和细标签，其中细标签与lead head引导标签分配器生成的soft标签相同，并且通过放松正样本分配过程的约束，允许更多grid被视为正目标来生成粗标签。其原因是辅助head的学习能力不如lead head强，为了避免丢失需要学习的信息，将重点优化目标检测任务中辅助head的召回。对于lead head的输出，可以从高召回率结果中过滤出高精度结果作为最终输出。但是必须注意，如果粗标签的附加权重与细标签很接近，它可能在最终预测时产生不良先验。因此为了使这些超粗正网格具有较小的影响，在解码器中设置了限制，使得超粗正grid不能完美地产生soft标签。上述机制允许在学习过程中动态调整细标签和粗标签的重要性，并且使细标签的优化上界总是高于粗标签。
精读
具体方法
在这个过程中生成了两组不同的soft label，即粗标签和细标签
- 细标签与Lead head 在标签分配器上生成的soft label相同
- 粗标签是通过放宽认定positive target的条件生成的，也就是允许更多的grids作为positive target
粗标签和细标签究竟是什么？
首先是细标签，网络最终输出的三个head是Lead head，会将这部分的预测结果与ground truth生成soft label，网络会觉得这个soft label得到是数据分布更接近真实的数据分布，训练得到的内容更加“细致”，
再来说说粗标签，Auxiliaryhead由于是从中间网络部分得到的，它的预测效果肯定是没有深层网络Leadhead提取到的数据或者特征更细致，所以Auxiliary head部分的内容是比较“粗糙”的，在训练过程中，会将Lead head与ground truth的soft label当成一个全新的ground truth，然后与Auxiliary head之间建立损失函数，说白了，就是让辅助head的预测结果也“近似”为Lead head
—————————以上引用@爱吃肉的鹏 的解读，感谢大佬！
原因
Auxiliaryhead的学习能力没有Leadhead那么强大，为了避免信息丢失，需要接收更多的信息来学习，在目标检测任务中， Auxiliaryhead需要有很高的 recall。
【注意】如果粗label非常接近与细label，可能会产生不好的结果
【解决方法】 为了让超粗正grids(Auxiliary head 的正标签)影响小一些，在 decoder 中设置了限制条件，所以那些超粗正grids不能产生 soft label，这样就能在训练的过程中，让grids自动的调节粗标签和细标签的重要程度。
4.3 Other trainable bag-of-freebies—其他的可训练“工具”
翻译
本节中，我们将列出一些可训练的免费赠品包。 这些免费赠品是我们在训练中使用的一些技巧，但最初的概念并不是我们提出的。 这些freebies的训练细节将在附录中详细说明，包括（1）conv-bn-activation topology中的Batch normalization：这部分主要将batch normalization layer直接连接到convolutional layer。这样做的目的是在推理阶段将批归一化的均值和方差整合到卷积层的偏差和权重中。 (2) YOLOR[81]中的隐式知识与卷积特征图相结合的加法和乘法方式：YOLOR中的隐式知识可以在推理阶段通过预计算简化为向量。 该向量可以与前一个或后一个卷积层的偏差和权重相结合。 (3) EMA 模型：EMA 是一种在 mean teacher [75] 中使用的技术，在我们的系统中，我们使用 EMA 模型纯粹作为最终的推理模式
精读
(1) conv-bn-activation 结构组合中的批量归一化
(2) YOLOR中的隐式知识与卷积特征图以及加法和乘法方式相结合
(3) EMA模型
这个详细解读大家看上面翻译就好~
五、Experiments—实验
5.1 Experimental setup—实验步骤
翻译
我们使用 Microsoft COCO 数据集进行实验并验证我们的对象检测方法。 我们所有的实验都没有使用预训练模型。 也就是说，所有模型都是从头开始训练的。 在开发过程中，我们使用train 2017 set进行训练，然后使用val 2017 set进行验证和选择超参数。 最后，我们展示了对象检测在 2017 年测试集上的性能，并将其与最先进的对象检测算法进行了比较。 详细的训练参数设置在附录中描述。
我们设计了边缘 GPU、普通 GPU 和云 GPU 的基本模型，它们分别称为 YOLOv7tiny、YOLOv7 和 YOLOv7-W6。 同时，我们还针对不同的业务需求，使用基础模型进行模型缩放，得到不同类型的模型。 对于YOLOv7，我们对颈部进行stack scaling，并使用提出的复合缩放方法对整个模型的深度和宽度进行缩放，并以此获得YOLOv7-X。 对于 YOLOv7-W6，我们使用新提出的复合缩放方法得到 YOLOv7-E6 和 YOLOv7-D6。 此外，我们将提议的 EELAN 用于 YOLOv7-E6，从而完成了 YOLOv7E6E。 由于 YOLOv7-tiny 是一个面向边缘 GPU 的架构，它会使用leaky ReLU 作为激活函数。 至于其他模型，我们使用 SiLU 作为激活函数。 我们将在附录中详细描述每个模型的比例因子。
精读
- 数据集：COCO 数据集
- 预训练模型： 无，从0开始训练
- 不同GPU和对应模型：
- 边缘GPU：YOLOv7-tiny
- 普通GPU：YOLOv7
- 云GPU的基本模型： YOLOv7-W6
- 激活函数：
- YOLOv7 tiny：leaky ReLU
- 其他模型：SiLU
5.2 Baselines—基线网络
翻译
我们选择以前版本的 YOLO [3, 79] 和最先进的目标检测器 YOLOR [81] 作为我们的基线。 表 1 显示了我们提出的 YOLOv7 模型与使用相同设置训练的基线的比较。
从结果我们看到，如果与 YOLOv4 相比，YOLOv7 的参数减少了 75%，计算量减少了 36%，AP 提高了 1.5%。 如果与 state-of-theart YOLOR-CSP 相比，YOLOv7 的参数减少了 43%，计算量减少了 15%，AP 提高了 0.4%。 在tiny模型的性能上，与YOLOv4-tiny-31相比，YOLOv7tiny参数数量减少了39%，计算量减少了49%，但AP保持不变。在云 GPU 模型上，我们的模型仍然可以有更高的 AP，同时减少 19% 的参数数量和 33% 的计算量。
精读
选择以前版本的YOLO[YOLOv4 ，Scaled-YOLOv4]和最先进的目标检测器YOLOR作为基线。表1展示了本文提出的YOLOv7模型与使用相同设置训练的基线模型的比较。
表1：基线目标探测器的比较
结论：具体数值就不重复了，通过对比我们可以看出参数量和计算量都有减少，精确度提高了。
5.3 Comparison with state-of-the-arts—与其他流行网络的对比
翻译
我们将所提出的方法与用于通用 GPU 和移动 GPU 的最先进的目标检测器进行比较，结果如表 2 所示。从表 2 的结果中，我们知道所提出的方法具有最佳的速度-准确度权衡 - 全面关闭。 如果我们将 YOLOv7-tiny-SiLU 与 YOLOv5-N (r6.1) 进行比较，我们的方法在 AP 上的速度提高了 127 fps，准确率提高了 10.7%。 此外，YOLOv7 161 fps 的帧率有 51.4% AP，而相同 AP 的 PPYOLOE-L 只有 78 fps 的帧率。 在参数使用方面，YOLOv7 比 PPYOLOE-L 少 41%。 如果我们将推理速度为 114 fps 的 YOLOv7-X 与推理速度为 99 fps 的 YOLOv5-L (r6.1) 进行比较，YOLOv7-X 可以将 AP 提高 3.9%。 如果将 YOLOv7X 与类似规模的 YOLOv5-X (r6.1) 进行比较，YOLOv7-X 的推理速度快了 31 fps。 此外，在参数量和计算量方面，YOLOv7-X 相比 YOLOv5-X（r6.1）减少了 22% 的参数和 8% 的计算量，但 AP 提升了 2.2%。
如果我们使用输入分辨率 1280 比较 YOLOv7 和 YOLOR，YOLOv7-W6 的推理速度比 YOLOR-P6 快 8 fps，检测率也提高了 1% AP。 至于YOLOv7-E6和YOLOv5-X6（r6.1）的对比，前者AP增益比后者高0.9%，参数少45%，计算量少63%，推理速度提升47%。YOLOv7-D6 的推理速度与 YOLOR-E6 接近，但 AP 提高了 0.8%。 YOLOv7-E6E 的推理速度与 YOLOR-D6 接近，但 AP 提高了 0.3%。
精读
本文将提出的方法与通用GPU和移动GPU的最先进的对象检测器进行了比较，结果如表2所示：
表2:最先进的实时目标检测器的比较
结论：反正是打败了它们，目前我们最牛就对咯
5.4 Ablation study—消融研究
5.4.1 Proposed compound scaling method—提出的复合 scaling 方法
翻译
显示了使用不同模型缩放策略进行缩放时获得的结果。 其中，我们提出的复合缩放方法是将计算块的深度放大1.5倍，将过渡块的宽度放大1.25倍。 如果我们的方法与仅按比例放大宽度的方法相比，我们的方法可以以更少的参数和计算量将 AP 提高 0.5%。 如果我们的方法与只放大深度的方法相比，我们的方法只需增加2.9%的参数数量和1.2%的计算量，就可以提高0.2%的AP。
精读
表3显示了使用不同模型缩放策略进行缩放时获得的结果：
表3：提出的模型 scaling下的消融研究
结论：复合缩放策略可以更有效地利用参数和计算。
5.4.2 Proposed planned re-parameterized model—提出的 planned re-parameterized 模型
翻译
为了验证我们提出的平面重参数化模型的普遍性，我们分别将其用于基于连接的模型和基于残差的模型进行验证。 我们选择用于验证的基于连接的模型和基于残差的模型分别是 3-stacked ELAN 和 CSPDarknet。
在基于 concatenation 的模型实验中，我们将 3-stacked ELAN 中不同位置的 3×3 卷积层替换为 RepConv，详细配置如图 6 所示。从表 4 所示的结果可以看出，所有更高 AP 值存在于我们提出的计划重新参数化模型中。
在处理基于残差的模型的实验中，由于原始dark block没有 3 × 3 con卷积块符合我们的设计策略，我们额外设计了一个反向dark block进行实验，其架构如图 7 所示。由于具有dark block和反向dark block的 CSPDarknet 具有完全相同的参数和操作量，所以它是 公平比较。 表 5 所示的实验结果充分证实了所提出的计划重新参数化模型在基于残差的模型上同样有效。 我们发现 RepCSPResNet [85] 的设计也符合我们的设计模式
精读
目的
为了验证提出的 plannedre-parameterized模型的通用性，将其分别用于基于连接的模型和基于残差的模型进行验证。
模型选择： 三层ELAN和CSPDarknet。
将3层堆叠ELAN中不同位置的3 × 3卷积层替换为RepConv，详细配置如下图所示：
图6： Planned RepConv 3-stacked ELAN。蓝色圆圈是用 RepConv 替换Conv的位置
表4：Planned RepConcatenation 模型的消融研究。
结论：从表4所示的结果中，看到所有较高的AP值都出现在提出的Planned RepConcatenation 模型上。
在处理基于残差模型的实验中，由于原始dark block没有3×3的卷积块，作者另外设计了一种反向dark block，其体系结构如图7所示：
图7：反向 CSPDarknet。我们颠倒了dark block中1×1和3×3卷积层的位置，以符合我们 planned reparameterized 模型设计策略。
表5： planned RepResidual 模型的消融研究
结论：表5所示的实验结果证实了所提出的重参化策略对于residual的模型依旧有效。 RepCSPResNet的设计也符合本文的设计模式
5.4.3 Proposed assistant loss for auxiliary head—提出的 auxiliary head 的 assistant loss
翻译
在辅助头部实验的辅助损失中，我们比较了引导头部和辅助头部方法的一般独立标签分配，并且我们还比较了两种提出的引导引导标签分配方法。 我们在表 6 中展示了所有比较结果。从表 6 中列出的结果可以看出，任何增加辅助损失的模型都可以显着提高整体性能。 此外，我们提出的引导式标签分配策略比 AP、AP50 和 AP75 中的一般独立标签分配策略具有更好的性能。 至于我们提出的粗略辅助和精细引导标签分配策略，它在所有情况下都会产生最佳结果。 在图 8 中，我们展示了在辅助头和前导头上通过不同方法预测的对象图。 从图 8 中我们发现，如果辅助头部学习引导引导soft label，它确实会帮助引导头部从一致目标中提取残差信息。
由于提出的 YOLOv7 使用多个金字塔来联合预测目标检测结果，我们可以直接将辅助头连接到中间层的金字塔进行训练。 这种训练可以弥补下一层金字塔预测中可能丢失的信息。由于上述原因，我们在提议的 E-ELAN 架构中设计了部分辅助头。 我们的方法是在合并基数之前在其中一组特征图之后连接辅助头，这种连接可以使新生成的一组特征图的权重不会被辅助损失直接更新。 我们的设计允许每个铅头金字塔仍然从不同大小的物体中获取信息。 表 8 显示了使用两种不同方法获得的结果，即粗到细导联方法和部分粗到细导联方法。 显然，部分由粗到细的导引法具有更好的辅助效果。
精读
作者比较了lead head和auxiliary head的独立标签分配策略，同时也比较了所提出的引导型标签分配方法，在表6中显示了所有的比较结果：
表6:提出的auxiliary head 的消融研究
结论：从表6中列出的结果可以看出，任何增加辅助损失的模型都可以显著提高整体性能。
图8：在auxiliary head和lead head处通过不同方法预测的对象图
结论：如果auxiliaryhead学习先导引导softlabel，它确实会帮助leadhead从一致目标中提取残差信息。
表7:约束 auxiliary head 的消融研究。
结论： 从表中的数字来看，通过距离目标中心的大小来约束目标的上界可以获得更好的性能。
方法：E-ELAN 架构中设计了partial auxiliary head。在合并基数（cardinality）之前，在一组特征图后连接auxiliary head，这种连接可以使新生成的特征图集的权值不直接通过辅助损失来更新
表8： partial auxiliary head 的消融研究
结论： partial auxiliary head方法具有更好的辅助效果。
六、Conclusions—结论
翻译
在本文中，我们提出了一种新的实时目标检测器架构和相应的模型缩放方法。 此外，我们发现目标检测方法的发展过程产生了新的研究课题。 在研究过程中，我们发现了重新参数化模块的替换问题和动态标签分配的分配问题。 为了解决这个问题，我们提出了可训练的bag-of-freebies方法来提高目标检测的准确性。 基于上述，我们开发了 YOLOv7 系列目标检测系统，该系统获得了 state-of-the-art 的结果。
精读
本文提出了一种新的实时检测器，解决了重参化模块的替换问题和动态标签的分配问题。
主要工作：
（1）高效聚合网络架构：YOLOV7对ELAN进行扩展，提出的一个新的网络架构E-ELAN，以高效为主
（2）重参数化卷积：YOLOV7将模型重参数化引入到网络架构中，重参数化这一思想最早出现于REPVGG中
（3）辅助头检测：YOLOv7中将head部分的浅层特征提取出来作为Auxiliary head，深层特征也就是网络的最终输出作为Lead head
（4）基于连接的模型缩放： 作者对于连接模型提出了一种复合模型方法，当对连接结构的网络进行尺度缩放时，只缩放计算块的深度，转换层的其余部分只进行宽度的缩放
（5）动态标签分配策略：Lead head导向标签分配方法和由粗到精的lead head 指导标签分配方法
本文参考：
CSDN：
