YOLOv7相较于v5的优点和改动

相较于YOLOv5，YOLOv7在以下几个方面进行了优化和改动：

1. 更深的网络结构：YOLOv7采用了更深的网络结构，包含更多的卷积层和残差块。这使得模型能够更好地处理复杂场景下的目标检测任务。

2. 改进的训练策略：YOLOv7在训练过程中采用了一些新的策略，如数据增强、学习率调整等，以提高模型的鲁棒性和泛化能力。

3. 更高的检测精度：相比YOLOv5，YOLOv7在COCO数据集上的mAP值提高了1-2个百分点，表现更加优秀。

4. 更快的检测速度：在保持检测精度的前提下，YOLOv7比YOLOv5快了约15%。

5. 代码和模型结构的开源：YOLOv7的代码和模型结构已经开源，使得研究者和工程师可以更方便地使用和改进这个模型。

6. 更好的支持多GPU训练：YOLOv7改进了多GPU训练的策略，使得模型在多GPU环境下训练更加高效和稳定。

综上所述，YOLOv7相较于YOLOv5在性能和训练策略上都进行了优化和改进，使得模型在检测精度和速度上都有所提高。