yolov7 скачать - загрузка исходного кода yolov7

yolov7

Другой исходный код

1.0.0

Скачать

Официальный Yolov7

Реализация бумаги-Yolov7: обучаемая сумка Free-Freebies устанавливает новый современный для детекторов объектов в реальном времени

Веб -демонстрация

Интегрируется в пространства для объятий? Использование Gradio. Попробуйте демонстрацию веб -

Производительность

MS COCO

Модель	Размер теста	AP ^Тест	AP ₅₀ ^Тест	AP ₇₅ ^Тест	партия 1 кадры в секунду	Партия 32 среднего времени
Yolov7	640	51,4%	69,7%	55,9%	161 кадры в с	2,8 мс
Yolov7-x	640	53,1%	71,2%	57,8%	114 кадров в секунду	4,3 мс

Yolov7-W6	1280	54,9%	72,6%	60,1%	84 кадров в секунду	7,6 мс
Yolov7-E6	1280	56,0%	73,5%	61,2%	56 кадров в секунду	12,3 мс
Yolov7-D6	1280	56,6%	74,0%	61,8%	44 кадров в секунду	15,0 мс
Yolov7-e6e	1280	56,8%	74,4%	62,1%	36 кадров в секунду	18,7 мс

Установка

Docker Environment (рекомендуется)

Расширять

 # 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

Тестирование

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

Вы получите результаты:

 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

Чтобы измерить точность, загрузите кока-аннотации для PycoCotools ./coco/annotations/instances_val2017.json

Обучение

Подготовка данных

bash scripts/get_coco.sh

Загрузите изображения набора данных MS Coco (Train, Val, тест) и этикетки. Если вы ранее использовали другую версию YOLO, мы настоятельно рекомендуем вам удалить файлы train2017.cache и val2017.cache , а также RedOwnload Labels

ОДИН -ГПУ ОБУЧЕНИЕ

 # 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

Несколько тренировок 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

Передача обучения

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

Одиночный графический процесс для пользовательского набора данных

 # 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

Повторная параметризация

См. Reparametization.ipynb

Вывод

На видео:

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

На изображении:

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

Экспорт

Pytorch to coreml (и вывод на macOS/iOS)

Pytorch до onnx с NMS (и вывод)

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 до Tensorrt с NMS (и вывод)

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 по -другому

Расширять

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

Протестировано с: Python 3.7.13, Pytorch 1.12.0+Cu113

Поза оценка

code yolov7-w6-pose.pt

Смотрите cepoint.ipynb.

Сегментация экземпляра (с NTU)

code yolov7-mask.pt

Смотрите exant.ipynb.

Сегментация экземпляра

code yolov7-seg.pt

Yolov7, например, сегментация (Yolor + Yolov5 + Yolact)

Модель	Размер теста	AP ^Box	AP ₅₀ ^Box	AP ₇₅ ^Box	AP ^Маска	AP ₅₀ ^Маска	AP ₇₅ ^Маска
Yolov7-Seg	640	51,4%	69,4%	55,8%	41,5%	65,5%	43,7%

Бесконечная головка обнаружения

code yolov7-u6.pt

Yolov7 с развязывающей головой Tal (Yolor + yolov5 + yolov6)

Модель	Размер теста	Ap ^val	AP ₅₀ ^Val	AP ₇₅ ^Val
Yolov7-U6	640	52,6%	69,7%	57,3%

Цитирование

 @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}
}