yolov7相较于yolov5，改进了那些，改进程度

YoloV7 相对于 YoloV5，改进了以下几个方面：

1. 模型结构：YoloV7 采用了更深、更宽的模型结构，网络层数更多，通道数也更大，可以提升模型的表达能力，从而提高检测性能。

2. 数据增强：YoloV7 引入了更多的数据增强技术，比如 Mixup、CutMix 等，可以增加训练数据的多样性，提高模型的泛化能力。

3. 损失函数：YoloV7 使用了更多的损失函数，比如 Focal Loss、CIoU Loss 等，可以更好地优化模型，提高检测性能。

4. 训练策略：YoloV7 引入了更多的训练策略，比如随机形变、样本重采样等，可以提高模型的鲁棒性，减少过拟合。

总体来说，YoloV7 相对于 YoloV5，在模型结构、数据增强、损失函数、训练策略等方面都有所改进，并且改进程度较大，因此在检测性能上也有了较大的提升。