YOLOv7

YOLOv7은 최종 합성곱 전에 학습된 암묵 지식 오프셋을 추가하는 헤드를 갖춘 앵커 기반 단일 단계 탐지기입니다. LibreYOLO는 공개된 단일 크기의 탐지를 지원합니다.

작업: detection
크기: b at 640 px
설치: pip install libreyolo
지원 티어: 지원, v부터 지원. 보조 학습 가능 모델입니다. CI 통과 상태를 유지하며 기능은 여건에 따라 추가됩니다.
업스트림: MultimediaTechLab의 YOLOv7, MIT. 논문, 소스
라이선스: 코드 MIT, 가중치 MIT. 상업적 사용

설치

YOLOv7에는 기본 패키지 외의 extra가 필요하지 않습니다.

bash

pip install libreyolo

예측

처음 사용할 때 Hugging Face에서 가중치를 다운로드해 로컬에 캐시합니다.

Python

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)

CLI

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

반환되는 Results 객체는 모든 계열이 반환하는 것과 같으므로 탐지기를 바꾸려면 한 줄만 변경하면 됩니다. conf는 신뢰도 임곗값을, iou는 앵커 기반 헤드를 디코딩한 뒤 적용하는 NMS 임곗값을 설정합니다. 소스, 스트리밍, 결과 처리는 예측을 참조합니다.

변형

LibreYOLO는 b 크기 하나를 제공합니다. 업스트림은 YOLOv7 모델 하나만 공개하므로 선택할 크기가 없습니다.

학습

Python

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

CLI

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

새 모델에서 워밍 스타트

from libreyolo import LibreYOLO7 # pretrained=True는 이 인스턴스를 무엇으로 생성했는지와 관계없이 항상# 공개된 LibreYOLO7b.pt 체크포인트를 불러옵니다. LibreYOLO()를 통하지 않고# 클래스를 직접 생성하면 아무 가중치도 불러오지 않은 상태로 시작합니다.model = LibreYOLO7(None, size="b")model.train(data="my-dataset.yaml", epochs=300, pretrained=True)

일부 다른 계열에서 같은 이름의 인수가 아무 작업도 하지 않는 것과 달리 여기서는 pretrained를 읽습니다. True를 전달하면 자동으로 다운로드되는 공개 LibreYOLO7b.pt 체크포인트에서 워밍 스타트하고, 다른 항목에는 경로나 이름을 전달합니다. 해당 공개 체크포인트는 80클래스 COCO입니다. 클래스 수가 다른 모델에서 이를 요청하면 먼저 80클래스로 다시 구축하여 불러온 다음 데이터셋의 클래스 수를 읽은 뒤 대상 헤드 수에 형태가 일치하는 모든 텐서를 한 번 전이합니다. resume=True는 pretrained와 함께 사용할 수 없습니다. 기본값 None을 유지하면 모델 생성 시 불러온 가중치에서 학습을 이어가거나 아무것도 불러오지 않았다면 무작위 초기화에서 시작합니다.

그 외 기본 설정에서는 SGD 모멘텀 0.937, 3 epoch 워밍업, lr0=0.01로 300 epoch를 실행합니다. YOLOX와 같은 SimOTA 할당과 마지막 15 epoch 무증강 단계를 앵커 기반 헤드에 맞게 적용합니다. 차이점이 하나 있습니다. YOLOX는 마지막 epoch에 L1 박스 회귀 정제를 추가하지만 v7은 이를 생략합니다. v7의 SimOTA 손실에는 정제할 원시 오프셋 L1 브랜치가 없기 때문입니다.

데이터셋, 증강, 다중 GPU, 로거는 학습을 참조합니다.

검증

val()은 학습에 사용한 형식의 데이터셋을 대상으로 측정한 정밀도, 재현율, mAP 50, mAP 50-95를 포함하는 metrics/ 키 사전을 반환합니다.

Python

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

CLI

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

내보내기

작업	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX: 지원함	Detection to TorchScript: 지원함	Detection to ExecuTorch: 지원함	Detection to TensorRT: 지원함	Detection to OpenVINO: 지원함	Detection to Paddle: 지원하지 않음	Detection to MNN: 지원하지 않음	Detection to RKNN: 지원하지 않음	Detection to ncnn: 지원함	Detection to TFLite: 지원하지 않음	Detection to CoreML: 지원하지 않음	Detection to Core AI: 지원함

내보낸 아티팩트는 파일 접미사에 따라 LibreYOLO()로 다시 불러옵니다. 따라서 .onnx 또는 .engine 파일은 체크포인트처럼 동작하며 동일한 Results를 반환합니다. LibreYOLO가 설치되지 않은 기본 런타임에서 그래프를 실행할 수도 있지만 이 경우 전처리와 후처리를 직접 작성해야 합니다.

Python

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

CLI

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

내보낸 파일 사용

from libreyolo import LibreYOLO, SAMPLE_IMAGE # 팩토리는 파일 접미사에 따라 라우팅하므로 내보낸 아티팩트도# 다른 체크포인트처럼 불러와 동일한 Results 객체를 반환합니다.model = LibreYOLO("LibreYOLO7b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

체크포인트

이 계열에 공개된 모든 가중치 파일입니다.

파일	입력(px)	가중치 라이선스
Detection
LibreYOLO7b.pt	640	mit

위의 모든 파일은 현재 LibreYOLO 조직에 있으며 처음 사용할 때 내려받습니다.

라이선스

내려받는 특정 가중치의 Hugging Face 저장소에서 라이선스를 확인하십시오. LibreYOLO 조직의 모든 체크포인트에는 라이선스가 있으며 한 계열 안에서도 항상 같지는 않습니다. 해당 저장소가 신뢰할 수 있는 기준입니다. 아래 요약은 이 페이지를 마지막으로 검증했을 때 적용된 내용을 설명합니다.

관련 라이선스에 관한 설명이며 법률 자문이 아닙니다. 상업적으로 중요한 사안이라면 라이선스를 직접 읽고 별도의 법률 자문을 받으십시오.

원작: YOLOv7, MultimediaTechLab
업스트림 라이선스: MIT
업스트림 소스: github.com/MultimediaTechLab/YOLO
LibreYOLO 코드: MIT
가중치: MIT, huggingface.co/LibreYOLO에 다시 게시됨
해석: MIT is a permissive license, so these weights can be used in commercial and closed-source products. The one standing obligation is to keep the license text and the copyright notice, Kin-Yiu Wong and Hao-Tang Tsui, with any copy you redistribute. It places no condition on your own application code, and a model you train yourself on your own data is yours. The port follows the authors' MIT re-release of YOLOv7, not the GPL-3.0 WongKinYiu/yolov7 repository that carries the same model, so the permissive terms come from the source LibreYOLO actually derives from.

인용

@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)},
}

github.com/MultimediaTechLab/YOLO#citations에 있는 저자의 인용 블록에서 복사했습니다.