yolov7算法及其改进

1、YOLOV7简介

1、模型层面：

• 提出了扩展高效的层聚合网络（E-ELAN）
• 基于级联的模型缩放方法
• 基于MP的降维组件

2、训练Trick：

• 卷积重参化
• Batch normalization
• YOLOR中的隐式知识结合卷积特征映射和乘法方式

3、标签分配：

• 无辅助头：同YOLOv5
• 有辅助头：辅助头匹配进行正样本的扩充

2、ELAN架构设计

当今主流的网络设计策略大多基于数据路径设计网络架构。ELAN设计了基于梯度路径的网络设计策略。提出了Layer-level、Stage-level和Network-level的梯度路径设计策略，
1、Layer-level：在这个层次上设计了梯度分流策略。调整层数并计算残差连接的通道比率，然后设计Partial Residual Network（PRN）。
2、Stage-level：添加硬件特征以加快网络推理。最大化梯度组合，同时最小化硬件计算成本，因此设计了Cross Stage Partial Network（CSPNet）。
3、Network-leve