From 1047cdcf375113988b2fabdccd0a8f11337cfe44 Mon Sep 17 00:00:00 2001 From: wildkid1024 <wildkid1024@gmail.com> Date: Wed, 20 Nov 2024 01:06:55 +0800 Subject: [PATCH] fix yolov7 imgs --- docs/objectdet/yolov7.md | 4 ++-- 1 file changed, 2 insertions(+), 2 deletions(-) diff --git a/docs/objectdet/yolov7.md b/docs/objectdet/yolov7.md index ee26810..3c658f7 100644 --- a/docs/objectdet/yolov7.md +++ b/docs/objectdet/yolov7.md @@ -1,6 +1,6 @@ # yolov7 -![](imgs/yolov7-1.jpg) +![](../imgs/yolov7-1.jpg) <div align='center'> 图1. 网络架构总览图 </div> <div align='center'> 注: CBS指Conv+BN+SiLu (3,2) 表示卷积核大小为 3, 步长为 2,c代表channel </div> 我们先整体来看下 Yolo v7,首先对输入的图片 resize 为 640x640 大小,输入到 backbone 网络中,然后经 head 层网络输出三层不同 size 大小的 feature map,经过 Rep 和 conv输出预测结果,这里以 coco 为例子,输出为 80 个类别,然后每个输出(x ,y, w, h, o) 即坐标位置和宽跟高还有置信度,3 是指的 anchor 数量,因此每一层的输出为 (80+5)x3 = 255再乘上 feature map 的大小就是最终的输出了。 @@ -13,7 +13,7 @@ Yolo v7是基于v4、v5改进的,提出了模型结构重参化(Rep),以 训练时有三个分支的相加输出,部署时会将分支的参数重参数化到主分支上。 </p> -![](imgs/yolov7-2.png) +![](../imgs/yolov7-2.png) <p> 二、高效的聚合网络E-ELAN采用expand、shuffle、merge cardinality结构,实现在不破坏原始梯度路径的情况下,提高网络的学习能力。在体系结构方面,E-ELAN只改变了计算模块中的结构,而过渡层的结构则完全不变。作者的策略是利用分组卷积来扩展计算模块的通道和基数,将相同的group parameter和channel multiplier用于计算每一层中的所有模块。然后,将每个模块计算出的特征图根据设置的分组数打乱成G组,最后将它们连接在一起。此时,每一组特征图中的通道数将与原始体系结构中的通道数相同。最后,作者添加了G组特征来merge cardinality。