YOLOv7网络模型解读

小英熊M

146人浏览 · 2023-11-14 21:03:02

小英熊M · 2023-11-14 21:03:02 发布

# parameters
nc: 10  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

# anchors
anchors:
  - [12,16, 19,36, 40,28]  # P3/8
  - [36,75, 76,55, 72,146]  # P4/16
  - [142,110, 192,243, 459,401]  # P5/32

# yolov7 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [32, 3, 1]],  # 0 [3,640,640]——>[32,640,640]
  
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2   [32,640,640]——>[64,320,320]主干网络第1层二倍的下采样
   [-1, 1, Conv, [64, 3, 1]],  #2  [64,320,320]——>[64,320,320]
   
   [-1, 1, Conv, [128, 3, 2]],  # 3-P2/4  [64,320,320]——>[128,160,160]主干网络第3层二倍下采样
   [-1, 1, Conv, [64, 1, 1]],   #4 [128,160,160]——>[64,160,160] 压缩通道数
   [-2, 1, Conv, [64, 1, 1]],   #5 [128,160,160]——>[64,160,160] 压缩通道数
   [-1, 1, Conv, [64, 3, 1]],   #6 [64,160,160]——>[64,160,160]？？
   [-1, 1, Conv, [64, 3, 1]],   #7 [64,160,160]——>[64,160,160]？？
   [-1, 1, Conv, [64, 3, 1]],   #8 [64,160,160]——>[64,160,160]？？
   [-1, 1, Conv, [64, 3, 1]],   #9 [128,160,160]——>[64,160,160]？？
   [[-1, -3, -5, -6], 1, Concat, [1]], # 10 将9、7、4、5层concat，输出[256,160,160]
   [-1, 1, Conv, [256, 1, 1]],  # 11  [256,160,160]——>[256,160,160]融合信息
         
   [-1, 1, MP, []],  #12 [256,160,160]——>[256,80,80]  最大池化和卷积的并行结构，二倍下采样
   [-1, 1, Conv, [128, 1, 1]],  #13 [256,80,80]——>[128,80,80] 压缩通道数
   [-3, 1, Conv, [128, 1, 1]],  #14 [256,160,160]——>[128,160,160] 压缩通道数
   [-1, 1, Conv, [128, 3, 2]],  #15 [128,160,160]——>[128,80,80] 主干网络第15层二倍下采样
   [[-1, -3], 1, Concat, [1]],  # 16-P3/8  将15、13层concat，输出[256,80,80]
   [-1, 1, Conv, [128, 1, 1]],  #17 [256,80,80]——>[128,80,80] 压缩通道数
   [-2, 1, Conv, [128, 1, 1]],  #18 [256,80,80]——>[128,80,80] 压缩通道数
   [-1, 1, Conv, [128, 3, 1]],  #19 [128,80,80]——>[128,80,80]
   [-1, 1, Conv, [128, 3, 1]],  #20 [128,80,80]——>[128,80,80]
   [-1, 1, Conv, [128, 3, 1]],  #21 [128,80,80]——>[128,80,80]
   [-1, 1, Conv, [128, 3, 1]],  #22 [128,80,80]——>[128,80,80]
   [[-1, -3, -5, -6], 1, Concat, [1]], #23 将22、20、18、17层concat，输出[512,80,80] [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [512, 1, 1]],  # 24 [512,80,80]——>[512,80,80]  横向连接
         
   [-1, 1, MP, []], #25 [512,80,80]——>[512,40,40]  最大池化和卷积的并行结构，二倍下采样
   [-1, 1, Conv, [256, 1, 1]], #26 [512,40,40]——>[256,40,40]压缩通道数
   [-3, 1, Conv, [256, 1, 1]], #27 [512,80,80]——>[256,80,80]压缩通道数
   [-1, 1, Conv, [256, 3, 2]], #28 [256,80,80]——>[256,40,40]主干网络第28层二倍下采样
   [[-1, -3], 1, Concat, [1]], # 29-P4/16  将28、26层concat，输出[512,40,40] [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [256, 1, 1]], #30 [512,40,40]——>[256,40,40]压缩通道数
   [-2, 1, Conv, [256, 1, 1]], #31 [512,40,40]——>[256,40,40]压缩通道数
   [-1, 1, Conv, [256, 3, 1]], #32 [256,40,40]——>[256,40,40]
   [-1, 1, Conv, [256, 3, 1]], #33 [256,40,40]——>[256,40,40]
   [-1, 1, Conv, [256, 3, 1]], #34 [256,40,40]——>[256,40,40]
   [-1, 1, Conv, [256, 3, 1]], #35 [256,40,40]——>[256,40,40]
   [[-1, -3, -5, -6], 1, Concat, [1]], #36 将35、33、31、30层concat，输出[1024,40,40]   [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [1024, 1, 1]],  # 37 [1024,40,40]——>[1024,40,40] 横向连接
         
   [-1, 1, MP, []], #38 [1024,40,40]——>[1024,20,20]  最大池化和卷积的并行结构，二倍下采样 采用默认参数
   [-1, 1, Conv, [512, 1, 1]],  #39 [1024,20,20]——>[512,20,20] 压缩通道数
   [-3, 1, Conv, [512, 1, 1]],  #40 [1024,40,40]——>[512,40,40] 压缩通道数
   [-1, 1, Conv, [512, 3, 2]],  #41 [512,40,40]——>[512,20,20]主干网络第41层二倍下采样
   [[-1, -3], 1, Concat, [1]],  # 42-P5/32  将41、39层concat，输出[1024,20,20]
   [-1, 1, Conv, [256, 1, 1]],  #43 [1024,20,20]——>[512,20,20] 压缩通道数
   [-2, 1, Conv, [256, 1, 1]],  #44 [1024,20,20]——>[512,20,20] 压缩通道数
   [-1, 1, Conv, [256, 3, 1]],  #45 [512,20,20]——>[512,20,20]
   [-1, 1, Conv, [256, 3, 1]],  #46 [512,20,20]——>[512,20,20]
   [-1, 1, Conv, [256, 3, 1]],  #47 [512,20,20]——>[512,20,20]
   [-1, 1, Conv, [256, 3, 1]],  #48 [512,20,20]——>[512,20,20]
   [[-1, -3, -5, -6], 1, Concat, [1]], #49 将38、36、34、33层concat，输出[2048,20,20]  [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [1024, 1, 1]],  # 50 [2048,20,20]——>[1024,20,20] 压缩通道数 横向连接
  ]

# yolov7 head
head:
  [[-1, 1, SPPCSPC, [512]], # 51 [1024,20,20]——>[512,20,20] 压缩通道数
  
   [-1, 1, Conv, [256, 1, 1]], #52 [512,20,20]——>[256,20,20] 压缩通道数
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], #53 [256,20,20]——>[256,40,40]  二倍上采样，none类型，2倍上采样
   [37, 1, Conv, [256, 1, 1]], # route backbone P4 54 [1024,40,40]——>[256,40,40] 37层横向连接
   [[-1, -2], 1, Concat, [1]], #55 将54、53层concat，输出[512,40,40] [B,C,H,W]在维度1通道上concat
   
   [-1, 1, Conv, [256, 1, 1]], #56 [512,40,40]——>[256,40,40] 压缩通道数
   [-2, 1, Conv, [256, 1, 1]], #57 [512,40,40]——>[256,40,40] 压缩通道数
   [-1, 1, Conv, [128, 3, 1]], #58 [256,40,40]——>[128,40,40] 压缩通道数
   [-1, 1, Conv, [128, 3, 1]], #59 [128,40,40]——>[128,40,40]
   [-1, 1, Conv, [128, 3, 1]], #60 [128,40,40]——>[128,40,40]
   [-1, 1, Conv, [128, 3, 1]], #61 [128,40,40]——>[128,40,40]
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]], #62 将61、60、59、58、57、56层concat，输出[1024,40,40] [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [256, 1, 1]], #63 [1024,40,40]——>[256,40,40] 压缩通道数
   
   [-1, 1, Conv, [128, 1, 1]], #64 [256,40,40]——>[128,40,40] 压缩通道数
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], #65 [128,40,40]——>[128,80,80]
   [24, 1, Conv, [128, 1, 1]], # route backbone P3 66 [512,80,80]——>[128,80,80] 24层横向连接
   [[-1, -2], 1, Concat, [1]], #67 将56、65层concat，输出[256,80,80] [B,C,H,W]在维度1通道上concat
   
   [-1, 1, Conv, [128, 1, 1]], #68 [256,80,80]——>[128,80,80] 压缩通道数
   [-2, 1, Conv, [128, 1, 1]], #69 [256,80,80]——>[128,80,80] 压缩通道数
   [-1, 1, Conv, [64, 3, 1]],  #70 [128,80,80]——>[64,80,80]  压缩通道数
   [-1, 1, Conv, [64, 3, 1]],  #71 [64,80,80]——>[64,80,80]
   [-1, 1, Conv, [64, 3, 1]],  #72 [64,80,80]——>[64,80,80]
   [-1, 1, Conv, [64, 3, 1]],  #73 [64,80,80]——>[64,80,80]
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]], #74 将73、72、71、70、69、68层concat，输出[512,80,80] [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [128, 1, 1]], # 75 [512,80,80]——>[128,80,80] 压缩通道数
      
   [-1, 1, MP, []], #76 [128,80,80]——>[128,40,40]  最大池化和卷积的并行结构，二倍下采样
   [-1, 1, Conv, [128, 1, 1]], #77 [128,40,40]——>[128,40,40] 通道数不变
   [-3, 1, Conv, [128, 1, 1]], #78 [128,80,80]——>[128,80,80] 通道数不变
   [-1, 1, Conv, [128, 3, 2]], #79 [128,80,80]——>[128,40,40] 二倍下采样****
   [[-1, -3, 63], 1, Concat, [1]], #80 将79、77、63层concat，输出[512,40,40] [B,C,H,W]在维度1通道上concat
   
   [-1, 1, Conv, [256, 1, 1]], #81 [512,40,40]——>[256,40,40] 压缩通道数
   [-2, 1, Conv, [256, 1, 1]], #82 [512,40,40]——>[256,40,40] 压缩通道数
   [-1, 1, Conv, [128, 3, 1]], #83 [256,40,40]——>[128,40,40] 压缩通道数
   [-1, 1, Conv, [128, 3, 1]], #84 [128,40,40]——>[128,40,40]
   [-1, 1, Conv, [128, 3, 1]], #85 [128,40,40]——>[128,40,40]
   [-1, 1, Conv, [128, 3, 1]], #86 [128,40,40]——>[128,40,40]
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]], #87 将86、85、84、83、82、81层concat，输出[1024,40,40] [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [256, 1, 1]], # 88  [1024,40,40]——>[256,40,40]
      
   [-1, 1, MP, []], #89 [256,40,40]——>[256,20,20] 最大池化和卷积的并行结构，
   [-1, 1, Conv, [256, 1, 1]], #90 [256,20,20]——>[256,20,20] 通道数不变，
   [-3, 1, Conv, [256, 1, 1]], #91 [256,40,40]——>[256,40,40] 通道数不变
   [-1, 1, Conv, [256, 3, 2]], #92 [256,40,40]——>[256,20,20] 二倍下采样
   [[-1, -3, 51], 1, Concat, [1]], #93 将92、90、51层concat，输出[1024,20,20] [B,C,H,W]在维度1通道上concat
   
   [-1, 1, Conv, [512, 1, 1]], #94 [1024,40,40]——>[512,20,20] 压缩通道数
   [-2, 1, Conv, [512, 1, 1]], #95 [1024,40,40]——>[512,20,20] 压缩通道数
   [-1, 1, Conv, [256, 3, 1]], #96 [512,20,20]——>[256,20,20]  压缩通道数
   [-1, 1, Conv, [256, 3, 1]], #97 [256,20,20]——>[256,20,20]
   [-1, 1, Conv, [256, 3, 1]], #98 [256,20,20]——>[256,20,20]
   [-1, 1, Conv, [256, 3, 1]], #99 [256,20,20]——>[256,20,20]
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]], #100 将99、98、97、96、95、94层concat，输出[2048,20,20] [B,C,H,W]在维度1通道上concat
   [-1, 1, Conv, [512, 1, 1]], #101  [2048,20,20]——>[512,20,20] 压缩通道数
   
   [75, 1, RepConv, [256, 3, 1]], #102  [128,80,80]——>[256,80,80] 升维
   [88, 1, RepConv, [512, 3, 1]], #103  [256,40,40]——>[512,40,40] 升维
   [101, 1, RepConv, [1024, 3, 1]], #104[512,20,20]——>[1024,20,20] 升维

   [[102,103,104], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5) 105
  ]

如果你想要进一步了解更多的相关知识，可以关注下面公众号联系~会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真......希望能帮到你！

GitCode 开源社区

旨在为数千万中国开发者提供一个无缝且高效的云端环境，以支持学习、使用和贡献开源项目。

更多推荐

[转载]在Windows环境下安装GNU Radio

转自：在Windows环境下安装GNURadio_恐弱智_新浪博客GNU Radio是用Python开发的，大部分开源的工程能够在Linux环境下运行良好，而Windows下却运行的很勉强，而且安装配置都很复杂。GNU Radio算是个例外了，不光提供了Windows的二进制安装，还有比较详细的说明。我是Python小白，所以折腾了好久才弄好，特意记录下来，免得以后再装还折腾。GNU Radio的