YOLOv7

Installazione

YOLOv7 non richiede nessun extra oltre al pacchetto base.

pip install libreyolo

Predizione

I pesi vengono scaricati da Hugging Face al primo utilizzo e restano nella cache locale.

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'oggetto Results restituito è quello che restituisce ogni famiglia, quindi passare a un rilevatore diverso è una modifica di una riga. conf imposta la soglia di confidenza e iou la soglia di NMS applicata dopo la decodifica della testa basata su anchor. Vedi predizione per sorgenti, streaming e gestione dei risultati.

Varianti

LibreYOLO include una sola dimensione, b. Upstream pubblica un unico modello YOLOv7, quindi non c'è nessuna dimensione tra cui scegliere.

Addestramento

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 carica sempre il checkpoint pubblicato LibreYOLO7b.pt,# indipendentemente da come è stata costruita questa istanza. Costruire# la classe direttamente, invece che tramite LibreYOLO(), parte senza# nessun peso caricato.model = LibreYOLO7(None, size="b")model.train(data="my-dataset.yaml", epochs=300, pretrained=True)

pretrained viene letto davvero, a differenza dell'argomento omonimo che non fa niente in alcune altre famiglie qui presenti: passa True per partire a caldo dal checkpoint pubblicato LibreYOLO7b.pt (scaricato automaticamente), oppure un percorso o un nome per qualsiasi altra cosa. Quel checkpoint pubblicato è COCO a 80 classi, quindi richiederlo su un modello già ricostruito per un numero di classi diverso prima lo ricostruisce di nuovo a 80, lo carica e poi trasferisce ogni tensore con forma corrispondente nel numero di classi della testa di destinazione, una volta letto il numero di classi del dataset. resume=True non si può combinare con pretrained. Lasciato al valore predefinito None, l'addestramento continua da ciò con cui il modello è stato costruito, o da un'inizializzazione casuale se non è stato caricato niente.

Se non tocchi altro, il trainer esegue 300 epoche con lr0=0.01 e SGD con momentum 0.937, un warmup di 3 epoche, e la stessa assegnazione SimOTA e la stessa fase finale di 15 epoche senza data augmentation che usa YOLOX, adattate alla testa basata su anchor. L'unica differenza: durante quelle epoche finali YOLOX aggiunge un raffinamento L1 della regressione dei box che v7 salta, perché la loss SimOTA di v7 non porta un ramo L1 sugli offset grezzi da raffinare.

Vedi addestramento per dataset, data augmentation, multi-GPU e logger.

Validazione

val() restituisce un dizionario di chiavi metrics/ che coprono precisione, recall, mAP 50 e mAP 50-95, misurate su qualsiasi dataset nel formato con cui hai addestrato.

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

Esportazione

Un artefatto esportato si ricarica tramite LibreYOLO() in base al suffisso del file, quindi un file .onnx o .engine si comporta come un checkpoint e restituisce lo stesso Results. È supportata anche l'esecuzione del grafo in un runtime nudo, senza LibreYOLO installato, ma allora il preprocessing e il postprocessing sono a carico tuo.

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 factory smista in base al suffisso del file, quindi un artefatto# esportato si carica come qualsiasi checkpoint e restituisce lo stesso# oggetto Results.model = LibreYOLO("LibreYOLO7b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Tutti i file di pesi pubblicati per questa famiglia.

Licenze

Citazione

@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)},
}