YOLOv7

Встановлення

Для YOLOv7 не потрібні додаткові залежності понад базовий пакет.

pip install libreyolo

Передбачення

Під час першого використання ваги завантажуються з Hugging Face і кешуються локально.

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

Повернений об'єкт Results є однаковим для всіх сімейств, тому заміна детектора потребує зміни одного рядка. conf задає поріг упевненості, а iou задає поріг NMS після декодування голови на основі якорів. Типи джерел, потокове передбачення та обробку результатів описано в розділі передбачення.

Варіанти

LibreYOLO постачає один розмір b. Початковий проєкт публікує одну модель YOLOv7, тому вибору розміру немає.

Навчання

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 завжди завантажує опубліковану контрольну точку LibreYOLO7b.pt# незалежно від того, з чим створено цей екземпляр. Безпосереднє створення# класу замість LibreYOLO() починається без жодних завантажених ваг.model = LibreYOLO7(None, size="b")model.train(data="my-dataset.yaml", epochs=300, pretrained=True)

pretrained читається, на відміну від однойменного аргументу, який нічого не робить у деяких інших сімействах тут: передайте True для теплого старту з опублікованої контрольної точки LibreYOLO7b.pt (завантажується автоматично) або шлях чи назву для іншої. Опублікована контрольна точка має 80 класів COCO, тому її запит для моделі, уже перебудованої під іншу кількість класів, спочатку перебудовує модель назад до 80, завантажує її, а після читання кількості класів датасету переносить усі тензори відповідної форми до цільової голови. resume=True не можна поєднувати з pretrained. З типовим None навчання продовжується з ваг, з якими створено модель, або з випадкової ініціалізації, якщо нічого не завантажено.

За інших типових параметрів тренер виконує 300 епох із lr0=0.01, імпульсом SGD 0.937, прогріванням протягом 3 епох, тим самим призначенням SimOTA та завершальним 15-епоховим етапом без аугментацій, який використовує YOLOX, адаптованим до голови на основі якорів. Єдина відмінність: YOLOX додає у завершальних епохах уточнення регресії рамок L1, яке v7 пропускає, оскільки функція втрат SimOTA у v7 не має гілки L1 необроблених зсувів для уточнення.

Датасети, аугментацію, кілька GPU та логери описано в розділі навчання.

Валідація

val() повертає словник ключів metrics/ із точністю, повнотою, mAP 50 та mAP 50-95, виміряними на будь-якому датасеті у форматі, на якому проводилося навчання.

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

Експорт

Експортований артефакт знову завантажується через LibreYOLO() відповідно до суфікса файлу, тому файл .onnx або .engine поводиться як контрольна точка й повертає той самий об'єкт Results. Граф також можна запускати безпосередньо в середовищі виконання без установленої LibreYOLO, але тоді попередню та подальшу обробку потрібно реалізувати самостійно.

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 # Фабрика маршрутизує за суфіксом файлу, тому експортований артефакт# завантажується як будь-яка контрольна точка й повертає той самий об'єкт Results.model = LibreYOLO("LibreYOLO7b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Контрольні точки

Усі опубліковані файли ваг цього сімейства.

Ліцензування

Цитування

@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)},
}