yolov7 Download - yolov7 Quellcode Download

yolov7

Anderer Quellcode

1.0.0

Herunterladen

Offizieller Yolov7

Implementierung von Papier-YOLOV7: Trainingbare Beutel der freien Büsse legt neue hochmoderne für Echtzeit-Objektdetektoren fest

Webdemo

In Umarmungsflächen integriert? mit Gradio. Probieren Sie die Webdemo aus

Leistung

Frau Coco

Modell	Testgröße	AP ^-Test	AP ₅₀ ^Test	AP ₇₅ ^Test	Batch 1 fps	Batch 32 durchschnittliche Zeit
Yolov7	640	51,4%	69,7%	55,9%	161 fps	2,8 ms
Yolov7-x	640	53,1%	71,2%	57,8%	114 fps	4,3 ms

Yolov7-W6	1280	54,9%	72,6%	60,1%	84 fps	7,6 ms
Yolov7-e6	1280	56,0%	73,5%	61,2%	56 fps	12,3 ms
Yolov7-d6	1280	56,6%	74,0%	61,8%	44 fps	15,0 ms
Yolov7-e6e	1280	56,8%	74,4%	62,1%	36 fps	18,7 ms

Installation

Docker -Umgebung (empfohlen)

Expandieren

 # 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

Testen

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

Sie erhalten die Ergebnisse:

 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

Um die Genauigkeit zu messen, laden Sie Coco-Annotationen für Pycocotools auf die ./coco/annotations/instances_val2017.json herunter

Ausbildung

Datenvorbereitung

bash scripts/get_coco.sh

Laden Sie MS Coco -Datensatz Bilder (Zug, Val, Test) und Beschriftungen herunter. Wenn Sie zuvor eine andere Version von YOLO verwendet haben, empfehlen wir dringend, die Dateien train2017.cache und val2017.cache zu löschen, und Ladungsbezeichnungen wiederzuladen

Single GPU -Training

 # 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

Mehrfacher GPU -Training

 # 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

Übertragungslernen

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

Single GPU -Finetuning für benutzerdefinierten Datensatz

 # 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

Neuparametrisierung

Siehe Reparameterization.IPynb

Schlussfolgerung

Auf Video:

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

Auf Bild:

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

Export

Pytorch zu Coreml (und Inferenz auf macOS/iOS)

Pytorch zu ONNX mit NMS (und Inferenz)

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 nach Tensorrt mit NMS (und Inferenz)

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 zu Tensorrt auf eine andere Weise

Expandieren

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

Getestet mit: python 3.7.13, pytorch 1.12.0+cu113

POSE -Schätzung

code yolov7-w6-pose.pt

Siehe Keypoint.ipynb.

Instanzsegmentierung (mit NTU)

code yolov7-mask.pt

Siehe Instance.ipynb.

Instanzsegmentierung

code yolov7-seg.pt

Yolov7 beispielsweise Segmentierung (yolor + yolov5 + yolact)

Modell	Testgröße	AP ^-Box	AP ₅₀ ^Box	AP ₇₅ ^Box	AP ^-Maske	AP ₅₀ ^Maske	AP ₇₅ ^Maske
Yolov7-seg	640	51,4%	69,4%	55,8%	41,5%	65,5%	43,7%

Ankerfreier Erkennungskopf

code yolov7-u6.pt

Yolov7 mit entkoppelten Talkopf (Yolor + Yolov5 + yolov6)

Modell	Testgröße	AP ^val	AP ₅₀ ^Val	AP ₇₅ ^Val
Yolov7-u6	640	52,6%	69,7%	57,3%

Zitat

 @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}
}