【YOLOv7】主要改进点详解_yolov7改进

重参数化的作用：在保证模型性能的条件下加速网络，主要是对卷积+BN层以及不同卷积进行融合，合并为一个卷积模块。

下面给出了卷积+BN融合的公式化过程，红色表示卷积参数（权重和偏置），蓝色是BN参数（

m

m

m是输入均值，

v

v

v是输入标准差，

γ

\gamma

γ和

β

\beta

β是两个可学习的参数），最终经过一系列化简，融合成了一个卷积：

在YOLOv7中，除了网络最后使用RepConv重参数化卷积之外，作者也提到了其他三处使用重参数化技巧的地方：

we perform reparameterization on conv-bn, repconv, orepa, and yolor.

对应model/yolo.py中model类的fuse函数（这里）：

辅助头检测

YOLOv7中，将head部分的浅层特征提取出来作为Aux head（辅助头），深层特征也就是网络的最终输出作为Lead head（引导头），如图b所示。

在计算损失时：

• 图c的策略是，lead head和aux head分别、单独计算损失，最终相加
• 图d的策略是，lead