芒果YOLOv7改进75：主干篇：YOLOv7 加入RepVGG模型结构，重参数化 极简架构

已于 2024-03-27 20:22:17 修改
阅读量1.2w 收藏 169
点赞数 16
CC 4.0 BY-SA版权
分类专栏： 芒果YOLOv7原创改进 文章标签： 深度学习 计算机视觉 目标检测
于 2022-09-05 23:21:17 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38668236/article/details/126715391
本文介绍了如何在YOLOv7中融入RepVGG模型结构，通过结构重参数化提升模型性能。内容包括RepVGG的理论基础，YOLOv7的配置修改，以及训练和推理的效果展示。实验证明，这种改进能有效减少模型的参数量、计算量和推理时间。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最新创新点改进推荐

🔥 《芒果书》系列改进专栏内的改进文章，均包含多种模型改进方式，YOLOv7 改进（重点）！！！

🔥 专栏创新点教程 均有不少同学反应和我说已经在自己的数据集上有效涨点啦！！ 包括COCO数据集也能涨点

所有文章博客均包含 改进源代码部分，一键训练即可

🔥 对应专栏订阅的越早，就可以越早使用原创创新点去改进模型，抢先一步

本篇是《RepVGG结构🚀》的修改 演示

文章目录

1.RepVGG模型理论部分

论文参考：最新RepVGG结构: Paper

在这里插入图片描述

模型定义

我们所说的“VGG式”指的是：

  1. 没有任何分支结构。即通常所说的plain或feed-forward架构。

  2. 仅使用3x3卷积。

  3. 仅使用ReLU作为激活函数。

了解本专栏 订阅专栏 解锁全文
YOLOv7改进：结合CotNet Transformer结构
weixin_45303602的博客
09-30 890
京东AI研究院提出的一种新的注意力结构。将CoT Block代替了ResNet结构中的3x3卷积，在分类检测分割等任务效果都出类拔萃论文：Contextual Transformer Networks for Visual Recognition有自注意力的Transformer引发了自然语言处理领域的革命，最近还激发了Transformer式架构设计的出现，并在众多计算机视觉任务中取得了具有竞争力的结果。
YOLOv7 辅助检测头与重参数化解析2025.6.1
最新发布
sinat_34897952的博客
06-01 1163
YOLOv7通过辅助检测头和重参数化两项核心技术实现高效目标检测。辅助检测头在训练阶段提供中间层监督信号，优化浅层特征学习，推理时移除以保持速度；重参数化则在训练时使用多分支结构增强性能，推理时合并为单分支提升效率。二者协同工作，使YOLOv7在精度和速度上达到最佳平衡，成为目标检测领域的先进模型。
【笔记】YOLOv7重参数化(RepConV)原理+代码
m0_53127772的博客
11-20 9805
在detect时，将部分结构的参数进行融合，来达到提高推理速度而不损失精度的目的，前提是已经训练好了模型参数。该部分内容可以通过 detect.py/detect()函数中进入attempt_load(),中的fuse()函数。该函数位于主要看。（m是IDetect时的融合是隐式implicit部分的融合，非本文重点）
YOLOv7改进：RepVGG结构
weixin_45303602的博客
10-05 1560
我们所说的“VGG式”指的是：没有任何分支结构。即通常所说的plain或feed-forward架构。仅使用3x3卷积。仅使用ReLU作为激活函数。主要创新点为结构重。在训练时，网络的结构是多分支进行的，而在推理时则将分支的参数进行重参数化，合为一个分支来进行的，所以推理的速度要比多分支网络快很多，并且精度也比单分支的网络更高。
【YOLOv7】主要改进点详解
热门推荐
weixin_43799388的博客
08-15 4万+
YOLOv7主要改进点详解
YOLOv7改进：CBAM注意力机制
weixin_45303602的博客
09-28 2801
CBAM注意力机制是由通道注意力机制（channel）和空间注意力机制（spatial）组成。 传统基于卷积神经网络的注意力机制更多的是关注对通道域的分析，局限于考虑特征图通道之间的作用关系。CBAM从 channel 和 spatial 两个作用域出发，引入空间注意力和通道注意力两个分析维度，实现从通道到空间的顺序注意力结构。空间注意力可使神经网络更加关注图像中对分类起决定作用的像素区域而忽略无关紧要的区域，通道注意力则用于处理特征图通道的分配关系，同时对两个维度进行注意力分配增强了注意力机制对模型性能
全新芒果YOLOv8改进专栏 | 专栏目录：目前已有170+篇内容，内含各种Head检测头、标签分配策略、损失函数Loss、Backbone、Neck、写作|指标、NMS等全方位创新点改进
包括YOLOv5、YOLOv7、YOLOv8等模型改进
03-14 1万+
芒果YOLOv8改进专栏 | 内含各种Head检测头、标签分配策略、损失函数Loss、Backbone、Neck、写作|指标、NMS等全方位创新点改进
Yolov6、Yolov7重参数化 RepConv 详解（代码可直接使用）
YXD0514的博客
08-24 1万+
模型重参化技术，代码很清晰
YOLOv7改进方式：从104层到24层的网络配置压缩，提升改进效率与性能
GzvDart的博客
09-16 695
YOLOv7是一种广泛应用于计算机视觉领域的目标检测算法，但其原始网络模型包含了104层，这给改进和优化带来了一定的困难。为了压缩网络配置，我们减少了横向连接的数量，只保留了对性能影响较大的关键横向连接。然而，为了进一步压缩网络配置，我们简化了残差块的结构。通过以上改进方法和相应的源代码，我们成功将YOLOv7的网络配置从104层压缩到了仅有24层，既提高了改进的效率，又在保持模型性能的同时提升了计算速度。为了简化网络配置，我们采用了更轻量级的检测头结构，例如使用更少的卷积层或减少卷积核的数量。
【YOLOv7】主要改进点详解_yolov7改进
2401_84254530的博客
06-25 1372
YOLOv7在5FPS到160FPS的范围内，无论是速度或是精度，都超过了目前已知的检测器在V100上进行测试， 精度为56.8%AP的模型可达到30FPS（batch=1）以上的检测速率目前唯一一款在如此高精度下仍能超过30FPS的检测器代码冗余，版本更新问题如何评价AlexeyAB版的YOLOv7？验证时数据预处理的图像缩放异常（没有做padding操作）验证时的NMS异常（应该是multi_label = False）参考资料。
YOLOV7改进：更换为MPDIOU,实现有效涨点
AIcurator的博客
08-11 1930
1.该文章属于YOLOV5/YOLOV7/YOLOV8改进专栏，包含大量的改进方式，主要以2023年的最新文章和2022年的文章提出改进方式。2.提供更加详细的改进方法，如将注意力机制添加到网络的不同位置，便于做实验，也可以当做论文的创新点。2.涨点效果：更换为MPDIOU,实现有效涨点！边界盒回归(Bounding box regression, BBR)广泛应用于目标检测和实例分割，是目标定位的重要步骤。
YOLOv5改进（SAConv，SAC）
eagleflying_cau的博客
06-10 1313
3.在models/yolo.py的parse_model中添加C3_SAC。（2）更换yaml配置文件（也可以建一个新的配置文件）（1）将代码添加到models/commen.py中。
改进yolov7网络（从轻量化方面的8个方法）
jsnuchao的博客
04-20 1万+
改进yolov7 轻量化方面出发
从另一个视角对YOLOv7系列进行改进，我采用全新的DenseOne密集网络，该网络采用了Dense设计核心并适用于YOLOv5，目的是打造一款高性能的目标检测器
一直在水些技术小文
01-03 1814
首先，YOLOv7系列是当前非常流行的目标检测模型之一，其在速度和精度上均表现优异。然而，YOLOv7系列仍然有改进的空间。在这篇博客中，我们将介绍一种新的改进方法——使用Dense设计核心的DenseOne密集网络。DenseOne密集网络是一种全新的架构，旨在通过提高特征的密集度来提升YOLOv7系列的性能。首先，让我们来了解一下Dense设计核心。Dense设计核心是一种用于提升特征密集度的架构。它通过在每一层之间连接所有上一层的卷积层来实现这一目的。
YOLOv7网络模型改进：网络配置文件更简洁实用！
带你成为别人眼中的大佬！
05-31 634
相比于YOLOv5，YOLOv7在保持准确率不变的情况下，使用更少的层数达到了更快的速度，同时还有更小的模型大小。本文将介绍YOLOv7的改进之处，以及如何使用网络配置文件快速修改模型。我们将每个卷积层、批量归一化层、ReLU激活函数以及全连接层的信息存储在配置文件中，然后在函数中解析配置文件，构建相应的层次，并将其设置为模型的属性。我们将网络配置文件存储为JSON格式，并读取配置文件中的信息以构建模型。以上是我们的改进，我们相信您可以使用这个网络配置文件快速修改YOLOv7网络模型。
YOLOv7改进：BoTNeT（Bottleneck Transformer）
weixin_45303602的博客
10-10 1024
论文地址Paper本文提出的BoTNet是一种简单高效的网络，有效的将SA应用到多种视觉任务，如图像识别、目标检测、实例分割任务。通过将ResNet50中最后三个bottleneck模块的空间卷积替换为全局的SA操作，有效提升了基线模型在签署任务上的性能。Section I常用的CNN大多采用3x3的卷积核，鉴于卷积操作可以有效的不糊哦局部信息，但是对于一些视觉任务如目标检测、实例分割、关键点检测还需要建立长程依赖关系。比如实例分割中需要收集场景相关的信息才能学习物体之间的关系；
改进YOLOv7系列：融合自注意力和卷积的ACmix结构，提高性能
带你成为别人眼中的大佬！
05-31 566
本文将介绍一种新的改进算法：融合自注意力和卷积的ACmix结构，该结构在保证性能的同时大幅度降低了计算复杂度。在YOLOv7算法中加入ACmix结构，可以得到更高的检测精度和更快的计算速度。如果读者有兴趣，可以尝试将ACmix结构应用在其他深度学习算法中，以期取得更好的效果。ACmix结构的作用是加强特征，融合了自注意力和通道注意力，使检测结果更加准确。同时，该结构减少了卷积层数量，降低计算复杂度，提高了运算效率。ACmix结构采用了自注意力和卷积的融合，将二者相互补充，以达到更好的性能表现。
yolov7改进系列
Hoshea_sun的博客
03-08 4563
111
YOLOV7改进-添加注意力机制
m0_46700884的博客
07-05 5115
注意力机制一般加在backbone或者是PAN层。，配合yolov7.yaml的文件来结合看！1、在github主页中找到SE.py注意力模块。
yolov7改进芒果
10-12
对于如何使用 YOLOv7 改进芒果的问题，我需要更多的上下文和细节才能给出具体的答案。但是，一般来说，可以通过以下几个步骤来改进芒果检测： 1. 收集更多的芒果数据集，并对其进行标注，以便训练更准确的模型。 2. 调整 YOLOv7 模型的超参数，例如学习率、批量大小等，以获得更好的检测结果。 3. 使用数据增强技术，例如随机裁剪、旋转、缩放等，增加数据集的多样性，提高模型的泛化能力。 4. 尝试使用其他的目标检测模型，例如 Faster R-CNN、SSD 等，比较它们在芒果检测上的表现。
评论 48
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

芒果学AI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值