yolov7 改進ELAN

根据引用所述，yolov7改进了ELAN结构，提出了Extended-ELAN（E-ELAN）。ELAN是通过控制最短最长梯度路径来有效学习和收敛的一个深度网络。然而，在大规模的ELAN中，如果无限地叠加计算模块，会破坏模型的稳定状态，导致参数利用率下降。因此，yolov7在ELAN的基础上进行了改进，以解决这个问题。

在yolov7中，通过设计了"计算块中的堆栈"策略，避免了使用过多过渡层的问题，并使整个网络的最短梯度路径快速变长。这个策略能够成功地训练ELAN，并让网络变得更深。引用中的图示展示了这个策略的设计。

通过以上改进，yolov7在比YOLOR-v3少35%的计算量下，仍然能够提高0.7%的目标检测性能，这个结果可以在引用的表格中看到。

总的来说，yolov7改进了ELAN结构，通过设计"计算块中的堆栈"策略，使得网络更深，并且在目标检测性能上有所提升。<span class="em">1</span><span class="em">2</span><span class="em">3</span><span class="em">4</span>