人员操作行为识别监测算法实时监测人员的操作行为，人员操作行为识别监测算法通过yolov7深度学习算法网络模型，对前端采集人员操作行为的图像使用算法进行分析，识别出不符合规范的操作行为，并发出告警信号以提醒相关人员。在人员操作行为识别监测算法训练之前，先在ImageNet上进行了预训练，其预训练的分类模型采用图8中前20个卷积层，然后添加一个average-pool层和全连接层。人员操作行为识别监测算法预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层。由于检测任务一般需要更高清的图片，所以将网络的输入从224x224增加到了448x448。
人员操作行为识别监测算法模型中选择YOLOv7是因为YOLOv7 的发展方向与当前主流的实时目标检测器不同，研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外，人员操作行为识别监测算法还专注于训练过程的优化，将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性，但不会增加推理成本。研究者将提出的模块和优化方法称为可训练的「bag-of-freebies」。
YOLOv7 的策略是使用组卷积来扩展人员操作行为识别监测算法计算块的通道和基数。研究者将对计算层的所有计算块应用相同的组参数和通道乘数。然后，每个计算块计算出的特征图会根据设置的组参数 g 被打乱成 g 个组，再将它们连接在一起。此时，每组特征图的通道数将与原始架构中的通道数相同。最后，人员操作行为识别监测算法添加 g 组特征图来执行 merge cardinality。除了保持原有的 ELAN 设计架构，E-ELAN 还可以引导不同组的计算块学习更多样化的特征。
