摘要本文由适创科技智测皓微团队工程师撰写，文章聚焦于YoLov7的算法与实现，从原理出发，详尽解析了YoLo新版本对于目标检测的创新之处。论文地址：https://arxiv.org/pdf/2207.02696.pdf代码地址：https://github.
可视化界面的部分在window.py文件中，是通过pyqt5完成的界面设计，在启动界面前，你需要将模型替换成你训练好的模型，替换的位置在window.py的第60行，修改成你的模型地址即可，如果你有GPU的话，可以将device设置为0，表示使用第0行GPU，这样可以加快模型的识别速度嗷。
其实在之前，有尝试过使用mobilenetv2、mobilenetv3进行实验，但是效果并没有让我感到理想，原因也简单，在arm架构上，mb系列被shuffle系列一骑绝尘，这种优势并不是体现在精度上，事实上，它们的精度两两比较不会超过3个百分点。
我们先整体来看下 YOLOv7的输入输出结构，首先对输入的图片 resize 为 640x640 大小，输入到 backbone 网络中，然后经 head 层网络输出三层不同 size 大小的 feature map，并输出预测结果，这里以 coco 为例子，输出为 80 个类别，然后每个输出 即坐标位置和是否存在物体的置信度，3 是指的 anchor 数量，因此每一层的输出为 x 3 = 255再乘上 feature map 的大小就是最终的输出了。
