ดาวน์โหลด yolov7 - ดาวน์โหลดซอร์สโค้ด yolov7

yolov7

ซอร์สโค้ดอื่น ๆ

1.0.0

ดาวน์โหลด

YOLOV7 อย่างเป็นทางการ

การใช้งานกระดาษ-YOLOV7: กระเป๋าฟรีที่ฝึกได้ตั้งค่าสถานะใหม่ที่ทันสมัยสำหรับเครื่องตรวจจับวัตถุแบบเรียลไทม์

การสาธิตเว็บ

รวมเข้ากับช่องว่าง HuggingFace? ใช้ Gradio ลองใช้การสาธิตเว็บ

ผลงาน

Ms Coco

แบบอย่าง	ขนาดทดสอบ	^{การทดสอบ} AP	^{การทดสอบ} AP ₅₀	^{การทดสอบ} AP ₇₅	แบทช์ 1 fps	แบทช์ 32 เวลาเฉลี่ย
YOLOV7	640	51.4%	69.7%	55.9%	161 fps	2.8 มิลลิวินาที
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

การติดตั้ง

สภาพแวดล้อม Docker (แนะนำ)

ขยาย

 # 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

การทดสอบ

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

คุณจะได้รับผลลัพธ์:

 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

หากต้องการวัดความแม่นยำให้ดาวน์โหลด coco-annotations สำหรับ pycocotools ไปยัง ./coco/annotations/instances_val2017.json

การฝึกอบรม

การเตรียมข้อมูล

bash scripts/get_coco.sh

ดาวน์โหลดภาพชุดข้อมูล MS Coco (รถไฟ, VAL, ทดสอบ) และป้ายกำกับ หากก่อนหน้านี้คุณเคยใช้ YOLO เวอร์ชันอื่นเราขอแนะนำอย่างยิ่งให้คุณลบไฟล์ train2017.cache และ val2017.cache และฉลาก redownload Labels

การฝึกอบรม GPU เดี่ยว

 # 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

การฝึกอบรม GPU หลายครั้ง

 # 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

ถ่ายโอนการเรียนรู้

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

GPU Finetuning สำหรับชุดข้อมูลที่กำหนดเอง

 # 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

การพารามิเตอร์ใหม่

ดู reparameterization.ipynb

การอนุมาน

ในวิดีโอ:

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

บนรูปภาพ:

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

ส่งออก

Pytorch to Coreml (และการอนุมานบน macOS/iOS)

pytorch ถึง onnx กับ NMS (และการอนุมาน)

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 ถึง Tensorrt ด้วย NMS (และการอนุมาน)

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 ถึง Tensorrt อีกวิธีหนึ่ง

ขยาย

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

ทดสอบด้วย: Python 3.7.13, Pytorch 1.12.0+Cu113

การประเมินท่าทาง

code yolov7-w6-pose.pt

ดู Keypoint.ipynb

การแบ่งส่วนอินสแตนซ์ (ด้วย NTU)

code yolov7-mask.pt

ดู Instance.ipynb

การแบ่งส่วนอินสแตนซ์

code yolov7-seg.pt

YOLOV7 เช่นการแบ่งส่วน (YOLOR + YOLOV5 + YOLACT)

แบบอย่าง	ขนาดทดสอบ	^{กล่อง} AP	AP ₅₀ ^{กล่อง}	AP ₇₅ ^Box	^{หน้ากาก} AP	^{หน้ากาก} AP ₅₀	^{หน้ากาก} AP ₇₅
YOLOV7-SEG	640	51.4%	69.4%	55.8%	41.5%	65.5%	43.7%

หัวตรวจจับฟรีสมอเรือ

code yolov7-u6.pt

YOLOV7 พร้อมหัว TAL decoupled (YOLOR + YOLOV5 + YOLOV6)

แบบอย่าง	ขนาดทดสอบ	AP ^Val	AP ₅₀ ^VAL	AP ₇₅ ^VAL
YOLOV7-U6	640	52.6%	69.7%	57.3%

การอ้างอิง

 @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}
}