1280分辨率的yolov5预训练模型

模型重新参数化技术可以看作是一种集成技术，将多个计算模块合并为一个。模型级重新参数化有两种常见的做法。一种是用不同的训练数据训练多个相同的模型，然后对多个训练模型的权重进行平均。另一种是在不同迭代次数下对模型的权重进行加权平均。模块级重新参数化将一个模块拆分为多个相同或不同的分支模块，并在推理期间将多个分支模块集成为等价的模块。模型缩放是根据不同的服务需求，使用基本模型进行缩放，得到不同类型的模型。对于YOLOV7，可以使用复合缩放方法对模型的深度和宽度进行放大，得到YOLOV7-X。对于YOLOV7-W6，可以使用复合标度方法得到YOLOV7-E6和YOLLV7-D6。此外，可以使用EELAN方法对YOLOV7-E6进行改进，得到YOLOV7-E6E。在验证模型通用性时，可以分别在基于连接的模型和基于残差的模型上进行验证。基于连接的模型中，将卷积层放置在堆叠ELAN的不同位置，实验证明计划重新参数化模型的AP值较高。基于残差的模型中，使用反向暗块进行实验，结果表明计划重新参数化模型同样有效。