YOLOv7

Installation

YOLOv7 benötigt neben dem Basispaket kein zusätzliches Extra.

pip install libreyolo

Vorhersage

Die Gewichte werden bei der ersten Verwendung von Hugging Face heruntergeladen und lokal zwischengespeichert.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO7b.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

libreyolo predict model=LibreYOLO7b.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Das zurückgegebene Results-Objekt entspricht dem jeder anderen Familie, sodass der Wechsel zu einem anderen Detektor nur eine einzige Codezeile erfordert. conf legt den Konfidenzschwellenwert und iou den NMS-Schwellenwert fest, der nach dem Decodieren des Anchor-basierten Kopfes angewendet wird. Unter Vorhersage findest du Informationen zu Quellen, Streaming und Ergebnisverarbeitung.

Varianten

LibreYOLO stellt eine Größe bereit: b. Das Upstream-Projekt veröffentlicht ein einziges YOLOv7-Modell, daher gibt es keine Größenauswahl.

Training

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO7b.pt")model.train(data="my-dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01)

libreyolo train model=LibreYOLO7b.pt data=my-dataset.yaml \  epochs=300 imgsz=640 batch=16 lr0=0.01

from libreyolo import LibreYOLO7 # pretrained=True lädt immer den veröffentlichten Checkpoint LibreYOLO7b.pt,# unabhängig davon, womit diese Instanz erstellt wurde. Bei direkter# Erstellung der Klasse statt über LibreYOLO() werden zunächst überhaupt# keine Gewichte geladen.model = LibreYOLO7(None, size="b")model.train(data="my-dataset.yaml", epochs=300, pretrained=True)

pretrained wird tatsächlich ausgewertet, anders als das gleichnamige wirkungslose Argument bei einigen anderen Familien. Übergib True für einen Warmstart mit dem veröffentlichten und automatisch heruntergeladenen Checkpoint LibreYOLO7b.pt oder einen Pfad beziehungsweise Namen für andere Gewichte. Der veröffentlichte Checkpoint besitzt 80 COCO-Klassen. Wird er für ein bereits auf eine andere Klassenanzahl umgebautes Modell angefordert, baut LibreYOLO zunächst auf 80 Klassen zurück und lädt den Checkpoint. Sobald die Klassenanzahl des Datensatzes bekannt ist, werden anschließend alle Tensoren mit passender Form in den Zielkopf übertragen. resume=True lässt sich nicht mit pretrained kombinieren. Beim Standardwert None wird das Training mit dem Zustand fortgesetzt, mit dem das Modell erstellt wurde, oder ohne geladene Gewichte mit zufälliger Initialisierung.

Ohne weitere Angaben führt der Trainer 300 Epochen mit lr0=0.01, SGD-Momentum 0,937, einem Warmup über 3 Epochen sowie derselben SimOTA-Zuweisung und abschließenden 15 Epochen ohne Augmentation wie YOLOX aus. Dies ist an den Anchor-basierten Kopf angepasst. Es gibt einen Unterschied: YOLOX ergänzt in den letzten Epochen eine L1-Verfeinerung der Boxregression, die v7 auslässt, da der SimOTA-Loss von v7 keinen L1-Zweig für Roh-Offsets enthält.

Unter Training findest du Informationen zu Datensätzen, Augmentation, Multi-GPU und Loggern.

Validierung

val() gibt ein Dictionary mit metrics/-Schlüsseln für Precision, Recall, mAP 50 und mAP 50-95 zurück, gemessen anhand jedes Datensatzes im Format, das du für das Training verwendet hast.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO7b.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

libreyolo val model=LibreYOLO7b.pt data=my-dataset.yaml

Export

Ein exportiertes Artefakt wird über seine Dateiendung wieder durch LibreYOLO() geladen. Eine .onnx- oder .engine-Datei verhält sich daher wie ein Checkpoint und gibt dasselbe Results-Objekt zurück. Du kannst den Graphen auch in einer eigenständigen Laufzeitumgebung ohne installiertes LibreYOLO ausführen. Dann musst du Vor- und Nachverarbeitung selbst implementieren.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO7b.pt")model.export(format="onnx", imgsz=640)model.export(format="tensorrt", imgsz=640, half=True)

libreyolo export model=LibreYOLO7b.pt format=onnx imgsz=640libreyolo export model=LibreYOLO7b.pt format=tensorrt imgsz=640 half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Die Factory leitet anhand der Dateiendung weiter, daher wird ein exportiertes Artefakt# wie jeder Checkpoint geladen und gibt dasselbe Results-Objekt zurück.model = LibreYOLO("LibreYOLO7b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Alle für diese Familie veröffentlichten Gewichtsdateien.

Lizenzierung

Zitieren

@inproceedings{wang2022yolov7,
      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},
      year={2023},
      booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
}