yolov7 تنزيل - تنزيل رمز المصدر yolov7

yolov7

شفرة المصدر الأخرى

1.0.0

تنزيل

YOLOV7 الرسمية

تنفيذ الورق-YOLOV7: يحدد أكياس الفجاة القابلة للتدريب على أحدث طراز للكشف عن الكائنات في الوقت الفعلي

تجريبي الويب

مدمجة في مساحات Huggingface؟ باستخدام Gradio. جرب عرض الويب

أداء

السيدة كوكو

نموذج	حجم الاختبار	^اختبار AP	^اختبار AP ₅₀	AP ₇₅ ^اختبار	دفعة 1 إطارًا في الثانية	الدفعة 32 متوسط الوقت
Yolov7	640	51.4 ٪	69.7 ٪	55.9 ٪	161 إطارًا في الثانية	2.8 مللي ثانية
Yolov7-x	640	53.1 ٪	71.2 ٪	57.8 ٪	114 إطارًا في الثانية	4.3 MS

Yolov7-W6	1280	54.9 ٪	72.6 ٪	60.1 ٪	84 إطارًا في الثانية	7.6 مللي ثانية
Yolov7-E6	1280	56.0 ٪	73.5 ٪	61.2 ٪	56 إطارًا في الثانية	12.3 مللي ثانية
Yolov7-D6	1280	56.6 ٪	74.0 ٪	61.8 ٪	44 إطارًا في الثانية	15.0 مللي ثانية
Yolov7-E6e	1280	56.8 ٪	74.4 ٪	62.1 ٪	36 إطارًا في الثانية	18.7 مللي ثانية

تثبيت

بيئة Docker (موصى بها)

يوسع

 # create the docker container, you can change the share memory size if you have more.
nvidia-docker run --name yolov7 -it -v your_coco_path/:/coco/ -v your_code_path/:/yolov7 --shm-size=64g nvcr.io/nvidia/pytorch:21.08-py3

# apt install required packages
apt update
apt install -y zip htop screen libgl1-mesa-glx

# pip install required packages
pip install seaborn thop

# go to code folder
cd /yolov7

الاختبار

yolov7.pt yolov7x.pt yolov7-w6.pt yolov7-e6.pt yolov7-d6.pt yolov7-e6e.pt

python test.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.65 --device 0 --weights yolov7.pt --name yolov7_640_val

سوف تحصل على النتائج:

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.51206
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.69730
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.55521
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.35247
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.55937
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.66693
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.38453
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.63765
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.68772
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.53766
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.73549
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.83868

لقياس الدقة ، قم بتنزيل coco-annotations for pycocotools إلى ./coco/annotations/instances_val2017.json

تمرين

إعداد البيانات

bash scripts/get_coco.sh

قم بتنزيل MS Coco Dataset Images (Train ، Val ، Test) والعلامات. إذا كنت قد استخدمت سابقًا إصدارًا مختلفًا من Yolo ، فإننا نوصي بشدة بحذف train2017.cache و val2017.cache Files ، و Redownload Labels

تدريب وحدات معالجة الرسومات الواحدة

 # train p5 models
python train.py --workers 8 --device 0 --batch-size 32 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights ' ' --name yolov7 --hyp data/hyp.scratch.p5.yaml

# train p6 models
python train_aux.py --workers 8 --device 0 --batch-size 16 --data data/coco.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6.yaml --weights ' ' --name yolov7-w6 --hyp data/hyp.scratch.p6.yaml

التدريب متعدد GPU

 # train p5 models
python -m torch.distributed.launch --nproc_per_node 4 --master_port 9527 train.py --workers 8 --device 0,1,2,3 --sync-bn --batch-size 128 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights ' ' --name yolov7 --hyp data/hyp.scratch.p5.yaml

# train p6 models
python -m torch.distributed.launch --nproc_per_node 8 --master_port 9527 train_aux.py --workers 8 --device 0,1,2,3,4,5,6,7 --sync-bn --batch-size 128 --data data/coco.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6.yaml --weights ' ' --name yolov7-w6 --hyp data/hyp.scratch.p6.yaml

نقل التعلم

yolov7_training.pt yolov7x_training.pt yolov7-w6_training.pt yolov7-e6_training.pt yolov7-d6_training.pt yolov7-e6e_training.pt

وحدات معالجة الرسومات GPU واحدة لمجموعة البيانات المخصصة

 # finetune p5 models
python train.py --workers 8 --device 0 --batch-size 32 --data data/custom.yaml --img 640 640 --cfg cfg/training/yolov7-custom.yaml --weights ' yolov7_training.pt ' --name yolov7-custom --hyp data/hyp.scratch.custom.yaml

# finetune p6 models
python train_aux.py --workers 8 --device 0 --batch-size 16 --data data/custom.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6-custom.yaml --weights ' yolov7-w6_training.pt ' --name yolov7-w6-custom --hyp data/hyp.scratch.custom.yaml

إعادة المعلمة

انظر reparameterization.ipynb

الاستدلال

على الفيديو:

python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source yourvideo.mp4

على الصورة:

python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source inference/images/horses.jpg

يصدّر

Pytorch إلى Coreml (والاستدلال على MacOS/iOS)

Pytorch إلى Onnx مع NMS (والاستدلال)

python export.py --weights yolov7-tiny.pt --grid --end2end --simplify 
        --topk-all 100 --iou-thres 0.65 --conf-thres 0.35 --img-size 640 640 --max-wh 640

Pytorch إلى Tensorrt مع NMS (والاستدلال)

wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7-tiny.pt
python export.py --weights ./yolov7-tiny.pt --grid --end2end --simplify --topk-all 100 --iou-thres 0.65 --conf-thres 0.35 --img-size 640 640
git clone https://github.com/Linaom1214/tensorrt-python.git
python ./tensorrt-python/export.py -o yolov7-tiny.onnx -e yolov7-tiny-nms.trt -p fp16

Pytorch to Tensorrt بطريقة أخرى

يوسع

wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7-tiny.pt
python export.py --weights yolov7-tiny.pt --grid --include-nms
git clone https://github.com/Linaom1214/tensorrt-python.git
python ./tensorrt-python/export.py -o yolov7-tiny.onnx -e yolov7-tiny-nms.trt -p fp16

# Or use trtexec to convert ONNX to TensorRT engine
/usr/src/tensorrt/bin/trtexec --onnx=yolov7-tiny.onnx --saveEngine=yolov7-tiny-nms.trt --fp16

تم اختباره مع: Python 3.7.13 ، Pytorch 1.12.0+Cu113

تشكل التقدير

code yolov7-w6-pose.pt

انظر keypoint.ipynb.

تجزئة مثيل (مع NTU)

code yolov7-mask.pt

انظر مثيل.

تجزئة مثيل

code yolov7-seg.pt

yolov7 على سبيل المثال تجزئة (Yolor + Yolov5 + Yolact)

نموذج	حجم الاختبار	^صندوق AP	AP ₅₀ ^مربع	AP ₇₅ ^مربع	^قناع AP	AP ₅₀ ^قناع	^قناع AP ₇₅
Yolov7-seg	640	51.4 ٪	69.4 ٪	55.8 ٪	41.5 ٪	65.5 ٪	43.7 ٪

رأس الكشف الحر المرساة

code yolov7-u6.pt

yolov7 مع رأس تل فصل (yolor + yolov5 + yolov6)

نموذج	حجم الاختبار	AP ^Val	AP ₅₀ ^فال	AP ₇₅ ^فال
Yolov7-U6	640	52.6 ٪	69.7 ٪	57.3 ٪

اقتباس

 @inproceedings{wang2023yolov7,
  title={{YOLOv7}: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors},
  author={Wang, Chien-Yao and Bochkovskiy, Alexey and Liao, Hong-Yuan Mark},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2023}
}

 @article{wang2023designing,
  title={Designing Network Design Strategies Through Gradient Path Analysis},
  author={Wang, Chien-Yao and Liao, Hong-Yuan Mark and Yeh, I-Hau},
  journal={Journal of Information Science and Engineering},
  year={2023}
}