YOLOv7

Installer

YOLOv7 ne nécessite aucun extra au-delà du package de base.

pip install libreyolo

Prédire

Les poids sont téléchargés depuis Hugging Face à la première utilisation et mis en cache localement.

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

L'objet Results renvoyé est celui de toutes les familles, le remplacement du détecteur ne demande donc de modifier qu'une ligne. conf définit le seuil de confiance et iou le seuil de NMS appliqué après le décodage de la tête avec ancres. Consultez la prédiction pour les sources, le streaming et la gestion des résultats.

Variantes

LibreYOLO fournit une seule taille, b. L'upstream publie un unique modèle YOLOv7, vous n'avez donc aucune taille à choisir.

Entraîner

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 charge toujours le checkpoint LibreYOLO7b.pt publié,# quel que soit l'objet avec lequel cette instance a été construite. Construire# la classe directement plutôt que via LibreYOLO() démarre sans aucun# poids chargé.model = LibreYOLO7(None, size="b")model.train(data="my-dataset.yaml", epochs=300, pretrained=True)

pretrained est pris en compte, contrairement au paramètre homonyme sans effet de certaines autres familles présentées ici\u00a0: transmettez True pour démarrer à chaud depuis le checkpoint LibreYOLO7b.pt publié (téléchargé automatiquement), ou un chemin ou un nom pour tout autre fichier. Ce checkpoint publié utilise les 80 classes COCO. Si vous le demandez sur un modèle déjà reconstruit pour un nombre de classes différent, le modèle repasse d'abord à 80 classes, charge le checkpoint, puis transfère tous les tenseurs dont la forme correspond vers la tête cible une fois le nombre de classes du dataset lu. resume=True ne peut pas être combiné à pretrained. Avec la valeur par défaut None, l'entraînement continue depuis l'état ayant servi à construire le modèle, ou depuis une initialisation aléatoire si aucun poids n'a été chargé.

Sans autre réglage, le trainer exécute 300 époques avec lr0=0.01, un momentum SGD de 0.937, un warmup de 3 époques, ainsi que la même affectation SimOTA et la même phase finale sans augmentation de 15 époques que YOLOX, adaptées à la tête avec ancres. Une différence subsiste\u00a0: YOLOX ajoute durant ces dernières époques un raffinement L1 de la régression des bounding boxes, que v7 omet, car sa loss SimOTA ne possède aucune branche L1 de décalage brut à affiner.

Consultez l'entraînement pour les datasets, l'augmentation, le multi-GPU et les loggers.

Valider

val() renvoie un dictionnaire de clés metrics/ couvrant la précision, le rappel, la mAP 50 et la mAP 50-95, mesurés sur tout dataset au format utilisé pour l'entraînement.

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

Exporter

Un artefact exporté se recharge dans LibreYOLO() grâce au suffixe de son fichier. Un fichier .onnx ou .engine se comporte donc comme un checkpoint et renvoie les mêmes Results. Vous pouvez également exécuter le graphe dans un runtime nu, sans installer LibreYOLO, mais vous devez alors écrire vous-même le prétraitement et le post-traitement.

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 # La fabrique détermine le chemin selon le suffixe du fichier ; un artefact exporté se charge# donc comme tout checkpoint et renvoie le même objet Results.model = LibreYOLO("LibreYOLO7b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Tous les fichiers de poids publiés pour cette famille.

Licence

Citation

@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)},
}