Téléchargement de yolov7 - Téléchargement du code source yolov7

yolov7

Autre code source

1.0.0

Télécharger

Officiel yolov7

Mise en œuvre du papier - Yolov7: un sac debies formable définit un nouveau stade de la technologie pour les détecteurs d'objets en temps réel

Démo web

Intégré dans les espaces de câlins? Utilisation de Gradio. Essayez la démo Web

Performance

Mme Coco

Modèle	Taille de test	^Test AP	^Test AP ₅₀	^Test AP ₇₅	lot 1 ip	lot 32 Temps moyen
Yolov7	640	51,4%	69,7%	55,9%	161 ips	2,8 ms
Yolov7-x	640	53,1%	71,2%	57,8%	114 ips	4.3 ms

Yolov7-w6	1280	54,9%	72,6%	60,1%	84 ips	7,6 ms
Yolov7-e6	1280	56,0%	73,5%	61,2%	56 ips	12.3 MS
Yolov7-d6	1280	56,6%	74,0%	61,8%	44 ips	15.0 ms
Yolov7-e6e	1280	56,8%	74,4%	62,1%	36 ips	18,7 MS

Installation

Environnement Docker (recommandé)

Développer

 # 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

Essai

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

Vous obtiendrez les résultats:

 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

Pour mesurer la précision, téléchargez coco-annotations pour pycocotools sur le ./coco/annotations/instances_val2017.json

Entraînement

Préparation des données

bash scripts/get_coco.sh

Téléchargez les images de l'ensemble de données MS COCO (Train, Val, Test) et les étiquettes. Si vous avez précédemment utilisé une version différente de Yolo, nous vous recommandons fortement de supprimer train2017.cache et val2017.cache Files et RedOndload Labels

Formation de GPU unique

 # 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

Formation GPU multiple

 # 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

Transfert d'apprentissage

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

Fintuning de GPU unique pour l'ensemble de données personnalisé

 # 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

Rediffusion

Voir réparamètre.ipynb

Inférence

Sur la vidéo:

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

Sur l'image:

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

Exporter

Pytorch à coreml (et inférence sur macOS / iOS)

Pytorch à onnx avec NMS (et inférence)

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 à Tensorrt avec NMS (et inférence)

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 pour tendre une autre manière

Développer

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

Testé avec: Python 3.7.13, Pytorch 1.12.0 + Cu113

Estimation de la pose

code yolov7-w6-pose.pt

Voir keypoint.ipynb.

Segmentation des instances (avec NTU)

code yolov7-mask.pt

Voir instance.ipynb.

Segmentation des instances

code yolov7-seg.pt

Yolov7 par exemple segmentation (yolor + yolov5 + yolact)

Modèle	Taille de test	^Box AP	AP ₅₀ ^BOX	AP ₇₅ ^Box	^Masque AP	^Masque AP ₅₀	^Masque AP ₇₅
Yolov7-seg	640	51,4%	69,4%	55,8%	41,5%	65,5%	43,7%

Tête de détection libre d'ancrage

code yolov7-u6.pt

Yolov7 avec tal tal découplé (yolor + yolov5 + yolov6)

Modèle	Taille de test	Ap ^Val	AP ₅₀ ^Val	AP ₇₅ ^Val
Yolov7-u6	640	52,6%	69,7%	57,3%

Citation

 @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}
}