YOLO V7来临！刚刚台湾省中央研究院资讯科学研究所研究人员发布最新版本YOLO

目标检测算法YOLO（You Only Look Once）最早是由Joseph Redmon提出，由于其出色的性能与高准确性迅速占据了目标检测的核心关注点。更重要的是，YOLO开启了端到端的利用神经网络进行目标检测的浪潮。在此之前，2阶段的方法占着主流。自此之后，YOLO也开启了一系列的算法更新，不过V3版本之后，原作者宣布不再更新后续YOLO。而苹果的机器学习工程师Alexey Bochkovskiy在2020年发布了YOLO的V4版本继续开启了YOLO的演进。后续各路人员都想接过YOLO演进的大旗。这不，V6的YOLO还没有出现的时候，咱们台湾省中央研究院资讯科学研究所研究人员发布最新版本YOLO V7。新鲜出炉，刚刚上架！

YOLOv7最大的特点就是比现有的算法都快，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算法，并且在GPU V100上30 FPS或更高的所有已知实时检测中具有最高的准确度56.8%。

主要的测试结果如下：

最近，模型的重新参数化和动态标签分配已经成为网络训练和目标检测的重要课题。但是在上述新概念被提出后，目标检测的模型训练出现了许多新的问题。在这篇论文中，作者介绍了他们发现的一些新问题，并设计有效的方法来解决这些问题。对于模型的重新参数化，用梯度传播路径的概念分析了适用于不同网络中各层的模型重新参数化策略，并提出有计划的重新参数化模型。此外，当在动态标签分配技术下，多输出层的模型训练会产生新的问题。那就是。”如何为不同分支的输出分配动态目标？” 针对这个问题，作者提出了一种新的标签分配方法，即从粗到细的引导式标签分配。

这篇论文的主要贡献：

1. 我们设计了几种可训练的bag-of-freebies方法，使实时物体检测在不增加推理成本的情况下，大大提高了检测精度；
2. 对于物体检测方法的演化，我们发现了两个新问题，即重新参数化的模块如何取代原有模块，以及动态标签分配策略如何处理对不同输出层的分配。此外，我们还提出了解决这些问题带来的困难的方法；
3. 我们为实时物体检测器提出了可以有效利用参数和计算的 “扩展 “和 “复合缩放 “方法；
4. 我们提出的方法可以有效减少最先进的实时物体检测器约40%的参数和50%的计算，并且具有更快的推理速度和更高的检测精度。

YOLOV7的源代码已经放出来，大家可以尝试使用~

https://github.com/WongKinYiu/yolov7