YOLOv7

Instalasi

YOLOv7 tidak memerlukan komponen tambahan selain paket dasar.

pip install libreyolo

Prediksi

Bobot diunduh dari Hugging Face saat pertama kali digunakan dan disimpan dalam cache lokal.

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

Objek Results yang dikembalikan sama dengan yang dikembalikan setiap family, jadi mengganti detektor hanya memerlukan perubahan satu baris. conf menetapkan ambang batas confidence dan iou menetapkan ambang NMS yang diterapkan setelah head berbasis anchor didekode. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Varian

LibreYOLO menyediakan satu ukuran, b. Upstream menerbitkan satu model YOLOv7, sehingga tidak ada ukuran lain untuk dipilih.

Pelatihan

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 selalu memuat checkpoint LibreYOLO7b.pt yang dipublikasikan,# terlepas dari bobot yang digunakan untuk membuat instance ini. Membuat kelas# secara langsung, bukan melalui LibreYOLO(), dimulai tanpa bobot yang dimuat.model = LibreYOLO7(None, size="b")model.train(data="my-dataset.yaml", epochs=300, pretrained=True)

pretrained dibaca, berbeda dari argumen bernama sama yang tidak berpengaruh pada beberapa family lain di sini: berikan True untuk melakukan warm start dari checkpoint LibreYOLO7b.pt yang dipublikasikan (diunduh otomatis), atau path maupun nama untuk yang lain. Checkpoint terbitan tersebut memakai COCO 80 kelas, sehingga memintanya pada model yang sudah dibangun ulang untuk jumlah kelas berbeda akan membangun ulang model ke 80 kelas, memuatnya, lalu mentransfer setiap tensor dengan bentuk yang cocok ke jumlah head target setelah jumlah kelas dataset dibaca. resume=True tidak dapat digabungkan dengan pretrained. Jika dibiarkan pada default None, pelatihan berlanjut dari bobot yang digunakan saat model dibuat, atau dari inisialisasi acak jika tidak ada yang dimuat.

Jika pengaturan lain dibiarkan, pelatih berjalan selama 300 epoch pada lr0=0.01 dengan momentum SGD 0.937, warmup 3 epoch, serta assignment SimOTA dan tahap akhir tanpa augmentasi selama 15 epoch yang sama seperti YOLOX, disesuaikan untuk head berbasis anchor. Satu perbedaannya: YOLOX menambahkan penyempurnaan regresi kotak L1 selama epoch akhir tersebut, sedangkan v7 melewatinya karena loss SimOTA v7 tidak memiliki cabang L1 raw-offset untuk disempurnakan.

Lihat pelatihan untuk dataset, augmentasi, multi-GPU, dan logger.

Validasi

val() mengembalikan dictionary dengan key metrics/ yang mencakup presisi, recall, mAP 50, dan mAP 50-95, yang diukur terhadap dataset apa pun dalam format yang digunakan untuk pelatihan.

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

Ekspor

Artefak hasil ekspor dimuat kembali melalui LibreYOLO() berdasarkan sufiks berkasnya, sehingga berkas .onnx atau .engine berperilaku seperti checkpoint dan mengembalikan Results yang sama. Menjalankan graph pada runtime mandiri tanpa memasang LibreYOLO juga didukung, tetapi prapemrosesan dan pascapemrosesannya harus ditulis sendiri.

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 # Factory merutekan berdasarkan sufiks berkas, sehingga artefak hasil ekspor# dimuat seperti checkpoint lain dan mengembalikan objek Results yang sama.model = LibreYOLO("LibreYOLO7b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Setiap berkas bobot yang dipublikasikan untuk family ini.

Lisensi

Sitasi

@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)},
}