yolov7 다운로드 - yolov7 소스 코드 다운로드

yolov7

기타 소스코드

1.0.0

다운로드

공식 YOLOV7

종이 구현 -Yolov7 : 훈련 가능한 자유 비비를 실시간 객체 탐지기를위한 새로운 최첨단 세트

웹 데모

포옹 페이스 공간에 통합 되었습니까? Gradio 사용. 웹 데모를 시험해보십시오

성능

MS Coco

모델	테스트 크기	AP ^테스트	AP ₅₀ ^테스트	AP ₇₅ ^테스트	배치 1 fps	배치 32 평균 시간
yolov7	640	51.4%	69.7%	55.9%	161 fps	2.8ms
yolov7-x	640	53.1%	71.2%	57.8%	114 fps	4.3ms

Yolov7-W6	1280	54.9%	72.6%	60.1%	84 fps	7.6ms
yolov7-e6	1280	56.0%	73.5%	61.2%	56 fps	12.3ms
yolov7-d6	1280	56.6%	74.0%	61.8%	44 fps	15.0ms
yolov7-e6e	1280	56.8%	74.4%	62.1%	36 FPS	18.7ms

설치

도커 환경 (권장)

확장하다

 # 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

테스트

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

결과를 얻을 수 있습니다.

 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

정확도를 측정하려면 pycocotools의 Coco-Annotations를 ./coco/annotations/instances_val2017.json 으로 다운로드하십시오.

훈련

데이터 준비

bash scripts/get_coco.sh

MS Coco DataSet 이미지 (Train, Val, Test) 및 레이블을 다운로드하십시오. 이전에 다른 버전의 Yolo를 사용한 경우 train2017.cache 및 val2017.cache 파일 및 레이블을 Redownload 라벨 삭제하는 것이 좋습니다.

단일 GPU 교육

 # 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

다중 GPU 훈련

 # 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

전송 학습

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

사용자 정의 데이터 세트 용 단일 GPU FINETUNING

 # 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

재발 변수화

Reparameterization.ipynb를 참조하십시오

추론

비디오 :

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

이미지 :

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

내보내다

pytorch to coreml (및 MacOS/iOS의 추론)

NMS와 함께 onx에서 pytorch (및 추론)

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

NMS와 함께 Tensorrt (및 추론)에서 pytorch

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

Pytorch는 다른 방법으로 Tensorrt입니다

확장하다

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

테스트 : Python 3.7.13, Pytorch 1.12.0+Cu113

포즈 추정

code yolov7-w6-pose.pt

kyypoint.ipynb를 참조하십시오.

인스턴스 세분화 (NTU 포함)

code yolov7-mask.pt

인스턴스를 참조하십시오.

인스턴스 분할

code yolov7-seg.pt

YOLOV7 예를 들어 세분화 (YOLOR + YOLOV5 + YOLACT)

모델	테스트 크기	AP ^박스	AP ₅₀ ^상자	AP ₇₅ ^상자	AP ^마스크	AP ₅₀ ^마스크	AP ₇₅ ^마스크
yolov7-seg	640	51.4%	69.4%	55.8%	41.5%	65.5%	43.7%

앵커 프리 감지 헤드

code yolov7-u6.pt

분리 된 탈 머리를 가진 Yolov7 (Yolor + Yolov5 + Yolov6)

모델	테스트 크기	ap ^val	AP ₅₀ ^발	AP ₇₅ ^발
Yolov7-U6	640	52.6%	69.7%	57.3%

소환

 @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}
}