yolov7 Download - yolov7 Download de código fonte

yolov7

Outro código-fonte

1.0.0

Baixar

Yolov7 oficial

Implementação de papel-Yolov7: Sacos de livros treináveis conjuntos novos de última geração para detectores de objetos em tempo real

Demonstração da Web

Integrado aos espaços Huggingface? Usando Gradio. Experimente a demonstração da web

Desempenho

MS Coco

Modelo	Tamanho do teste	^Teste de AP	^Teste AP ₅₀	^Teste AP ₇₅	Lote 1 fps	Lote 32 Tempo médio
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

Instalação

Ambiente Docker (recomendado)

Expandir

 # 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

Teste

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

Você receberá os resultados:

 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

Para medir a precisão, faça o download do coco-anotações para pycocotools para ./coco/annotations/instances_val2017.json

Treinamento

Preparação de dados

bash scripts/get_coco.sh

Faça o download das imagens do conjunto de dados MS Coco (trem, Val, teste) e etiquetas. Se você já usou uma versão diferente do YOLO, recomendamos fortemente que você exclua os arquivos de train2017.cache e val2017.cache e etiquetas RedOwnload

Treinamento de GPU único

 # 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

Treinamento de GPU múltiplo

 # 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

Transferência de aprendizado

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

Finetuning de GPU único para conjunto de dados personalizado

 # 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

Re-parametrização

Consulte ReparameTeation.ipynb

Inferência

Em vídeo:

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

Na imagem:

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

Exportar

Pytorch para coreml (e inferência no macOS/iOS)

Pytorch para Onnx com NMS (e inferência)

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 para tensorrte com NMS (e inferência)

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 para tensort outra maneira

Expandir

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

Testado com: Python 3.7.13, Pytorch 1.12.0+Cu113

Estimativa de pose

code yolov7-w6-pose.pt

Veja o KeyPoint.ipynb.

Segmentação de instância (com NTU)

code yolov7-mask.pt

Veja a instância.ipynb.

Segmentação da instância

code yolov7-seg.pt

Yolov7, por exemplo, segmentação (YOLOR + YOLOV5 + YOLACT)

Modelo	Tamanho do teste	^Caixa AP	^Caixa AP ₅₀	^Caixa AP ₇₅	^Máscara AP	^Máscara AP ₅₀	^Máscara AP ₇₅
Yolov7-seg	640	51,4%	69,4%	55,8%	41,5%	65,5%	43,7%

Cabeça de detecção livre de âncora

code yolov7-u6.pt

Yolov7 com cabeça desacoplada (yolor + yolov5 + yolov6)

Modelo	Tamanho do teste	Ap ^val	AP ₅₀ ^Val	AP ₇₅ ^Val
Yolov7-U6	640	52,6%	69,7%	57,3%

Citação

 @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}
}