yolov7实验获取
时间: 2023-09-26 19:07:05 浏览: 48
根据引用和引用,YOLOv7是一个对象检测模型,分为YOLOv7tiny、YOLOv7和YOLOv7-w6三个基本模型。同时,还通过对基本模型进行缩放得到了不同类型的模型,如YOLOv7-x、YOLOv7-E6和YOLOv7-D6。其中,YOLOv7-tiny是面向边缘GPU的架构,使用了泄漏的ReLU作为激活函数,而其他模型使用SiLU作为激活函数。
根据引用,YOLOv7与之前版本的YOLO和最先进的对象检测器YOLOR进行了比较。在不同的输入分辨率下,YOLOv7-w6的推理速度比YOLOR-p6快8 fps,检测率也提高了1% AP。YOLOv7-E6和YOLOv5-X6 (r6.1)的比较显示,前者相较于后者提高了0.9%的AP,减少了45%的参数,减少了63%的计算量,推理速度提高了47%。YOLOv7-D6的推理速度接近YOLOR-E6,但AP提高了0.8%。YOLOv7-E6E的推理速度接近YOLOR-D6,但提高AP 0.3%。
比较中还使用了其他通用GPU和移动GPU的目标检测器进行了对比,根据引用的结果显示,YOLOv7在速度与精度的综合权衡上表现最佳。与YOLOv5-N (r6.1)相比,YOLOv7-tiny-silu在AP上速度快127 fps,准确率高10.7%。YOLOv7在161 fps的帧率下有51.4%的AP,而PPYOLOE-L在相同的AP上只有78 fps的帧率。在参数使用方面,YOLOv7比PPYOLOE-L低41%。另外,YOLOv7-X相较于YOLOv5-L (r6.1)的114帧/秒推断速度,可以提高3.9%的AP。与规模相近的YOLOv5-X (r6.1)相比,YOLOv7-X的推断速度要快31 fps。此外,YOLOv7-X减少了22%的参数和8%的计算量,但AP提高了2.2%。
综上所述,YOLOv7通过实验获得了在不同场景和设置下的性能指标,如推理速度、准确率和参数计算量等。<span class="em">1</span><span class="em">2</span><span class="em">3</span><span class="em">4</span>