有不少小伙伴和我交流YOLO改进的时候，都说YOLOv7的网络配置文件长达104层，改起来很费力，数层数都要数很久，还很容易出错，而且基于YOLOv5代码架构，Debug起来也确实比较费时，所以博主对YOLOv7网络配置进行了一个结构改造，一个 极致简洁直观的YOLOv7网络配置结构（强烈推荐） 独家首发原创！

：该结构只有 24层配置,强烈推荐！，直观性直逼YOLOv5的网络配置文件，可以更清晰更方便更快的改进YOLOv7

：比起官方的YOLOv7配置，减少了70多层，大大降低了改进难度，本博客内含·极致版YOLOv7架构的改进源代码·跟着步骤直接操作即可

YOLOv7极致简约模型，配置只有24层，和官方YOLOv7模型一模一样，完全对齐官方的参数量、计算量、精度mAP、Loss！！！之后的改进完全可以基于这个 极致版YOLOv7 去作为Baseline，效率提升10倍，更快替换主干网络、融合网络，以下是极致版YOLOv7结构

极致版-改进代码链接：全网独家首发｜YOLOv7改进方式提升(代码二)，使得改进难度下降，将网络配置层数从104层极致压缩到24层，更清晰更方便更快的改进YOLOv7，完全对齐官方YOLOv7网络模型数据

文章目录

    • @[toc]
    • 层数直观对比图
    • 核心代码
    • 网络配置架构改进前后 对比（各项指标对齐）
      • 一、层数配置对比，极致压缩到24层
        • 改进后（24层！！！）
        • 改进前（104层）
      • 参数量、计算量一致
        • 改进后
        • 改进前
        • 结论：保持一致
      • 精度、Loss一致
        • 改进后
        • 改进前
        • 结论：保持一致

层数直观对比图

缩减80层，减少数层数的时间！！

核心代码

改进代码 在第二篇文章，链接：

【链接】极致版-改进代码：全网独家首发｜YOLOv7改进方式提升(代码二)，使得改进难度下降，将网络配置层数从104层极致压缩到24层，更清晰更方便更快的改进YOLOv7，完全对齐官方YOLOv7网络模型数据

网络配置架构改进前后 对比（各项指标对齐）

各项直逼对齐，改进YOLOv7，完全可以将这个配置作为原始baseline配置去进行更改！

一、层数配置对比，极致压缩到24层

改进后（24层！！！）

只有24层！！！，直观性直逼YOLOv5的网络配置文件

Model Summary: 37622682 parameters, 37622682 gradients, 106.5 GFLOPS

改进前（104层）

Model Summary: 37622682 parameters, 37622682 gradients, 106.5 GFLOPS

参数量、计算量一致

改进后

Model Summary: 37622682 parameters, 37622682 gradients, 106.5 GFLOPS

改进前

Model Summary: 37622682 parameters, 37622682 gradients, 106.5 GFLOPS

结论：保持一致

精度、Loss一致

改进后

Epoch   gpu_mem       box       obj       cls     total    labels  img_size       0/0        0G   0.08807    0.1532    0.5709    0.8122         6       160: 100%|██████████████████████████████████| 64/64 [00:30<00:00,  2.11it/s]               Class      Images      Labels           P           R      mAP@.5  mAP@.5:.95: 100%|██████████████████████| 32/32 [02:01<00:00,  3.79s/it]                 all         128         929    5.86e-06     0.00469    2.67e-06    4.79e-07

改进前

Epoch   gpu_mem       box       obj       cls     total    labels  img_size       0/0        0G   0.08807    0.1532    0.5709    0.8122         6       160: 100%|██████████████████████████████████| 64/64 [00:29<00:00,  2.19it/s]               Class      Images      Labels           P           R      mAP@.5  mAP@.5:.95: 100%|██████████████████████| 32/32 [02:03<00:00,  3.85s/it]                 all         128         929    5.86e-06     0.00469    2.67e-06    4.79e-07

结论：保持一致