YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for

yolov7由yolov4原版人马打造，试图将yolo算法打造的更快，更好！同时能够支持边缘到云端的移动GPU设备。作者号称YOLOv7 在 5 FPS 到 160 FPS 范围内，速度和精度都超过了所有已知的目标检测器，并在 GPU V100 上，30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。YOLOv7 是在 MS COCO 数据集上从头开始训练的，不使用任何其他数据集或预训练权重。本文主要通过以下4个方面，对原有目标检测模型进行改进。 网络架构 模型重参化（model re-parameterization） 动态标签匹配技术（dynamic label assignment technology） bag-of-freebies 相关工作 实时目标检测器 目前最先进的实时目标检测算法主要基于YOLO和FCOS。 能够成为最先进的实时目标检测器的算法通常需要以下特征： （1）更快更强的网络架构 （2）一种更有效的特征集成方法 （3）更精确的检测方法 （4）更鲁邦的损失函数 （5）更有效的标签分配方法 （6）更有效的训练方法 本文主要针对4,5.6三