涨点技巧：Yolov5/Yolov7 引入Yolo-Z---ResneXtBottleneckCSP和DenseBlock，提升小目标检测能力
论文：https://arxiv.org/pdf/2112.11798.pdf
代码：https://github.com/shanglianlm0525/CvPytorch
本文最大贡献点：
作者尝试用ResNet思想替换YOLOv5中现有的Backbone。
-
ResNet是一种流行的结构，它引入残差连接来减少在深层神经网络中收益递减的影响。
-
DenseNet 使用类似的连接来保留尽可能多的信息，因为它在网络中移动。实施这些结构需要将它们分解为基本块，并确保各层适当通信。 这包括确保正确的特征图尺寸，这有时需要稍微修改模型宽度和深度的比例因子。
在这两种情况下，为了避免层数与原始层数有很大偏差，以保持相当的复杂性。 因此，选择ResNet50 ，同时按比例缩小 DenseNet。
yolo-z与yolov5性能比较，map相对于yolov5都有一