YOLOv7

Instalação

O YOLOv7 não precisa de nenhum extra além do pacote base.

pip install libreyolo

Predição

Os pesos são baixados do Hugging Face no primeiro uso e ficam em cache local.

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

O objeto Results retornado é o mesmo que todas as famílias retornam, então trocar por outro detector é uma mudança de uma linha. conf define o limiar de confiança e iou, o limiar do NMS aplicado depois que a cabeça baseada em âncoras é decodificada. Veja predição para fontes, streaming e tratamento de resultados.

Variantes

O LibreYOLO traz um tamanho, b. O upstream publica um único modelo YOLOv7, então não há tamanho a escolher.

Treinamento

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 sempre carrega o checkpoint LibreYOLO7b.pt publicado,# independentemente dos pesos com que esta instância foi construída.# Construir a classe diretamente, em vez de passar pelo LibreYOLO(),# começa sem nenhum peso carregado.model = LibreYOLO7(None, size="b")model.train(data="my-dataset.yaml", epochs=300, pretrained=True)

O pretrained é lido aqui, diferente do no-op de mesmo nome em algumas outras famílias: passe True para dar warm start a partir do checkpoint LibreYOLO7b.pt publicado (baixado automaticamente), ou um caminho ou nome para qualquer outro. Esse checkpoint publicado é COCO de 80 classes, então, se você o pedir em um modelo já reconstruído para outra contagem de classes, ele primeiro reconstrói de volta para 80, carrega o checkpoint e depois transfere todo tensor de shape compatível para a contagem da cabeça alvo assim que a contagem de classes do dataset é lida. resume=True não pode ser combinado com pretrained. Deixado no padrão None, o treinamento continua a partir dos pesos com que o modelo foi construído, ou de uma inicialização aleatória se nada foi carregado.

Sem mexer em nada, o trainer roda 300 épocas em lr0=0.01 com SGD de momentum 0.937, um warmup de 3 épocas, e a mesma atribuição SimOTA e a mesma fase final de 15 épocas sem data augmentation que o YOLOX usa, adaptadas à cabeça baseada em âncoras. A única diferença: o YOLOX adiciona um refinamento L1 da regressão de caixas durante essas épocas finais, que o v7 pula, porque a loss SimOTA do v7 não tem um branch L1 de offsets brutos para refinar.

Veja treinamento para datasets, data augmentation, multi-GPU e loggers.

Validação

O val() retorna um dicionário de chaves metrics/ cobrindo precisão, recall, mAP 50 e mAP 50-95, medidos contra qualquer dataset no formato em que você treinou.

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

Exportação

Um artefato exportado é recarregado pelo LibreYOLO() a partir do sufixo do arquivo, então um arquivo .onnx ou .engine se comporta como um checkpoint e devolve o mesmo Results. Rodar o grafo em um runtime puro, sem o LibreYOLO instalado, também é suportado, mas aí o pré-processamento e o pós-processamento ficam por sua conta.

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 # A factory decide pelo sufixo do arquivo, então um artefato exportado# carrega como qualquer checkpoint e devolve o mesmo objeto Results.model = LibreYOLO("LibreYOLO7b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Todos os arquivos de pesos publicados desta família.

Licenciamento

Citação

@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)},
}