YOLOv7

Cài đặt

YOLOv7 không cần extra ngoài gói cơ sở.

pip install libreyolo

Dự đoán

Trọng số được tải từ Hugging Face ở lần dùng đầu tiên và lưu vào bộ nhớ đệm cục bộ.

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

Đối tượng Results trả về là loại mà mọi họ đều trả về, nên việc đổi sang detector khác chỉ cần sửa một dòng. conf đặt ngưỡng độ tin cậy và iou đặt ngưỡng NMS được áp dụng sau khi giải mã head dựa trên anchor. Xem dự đoán để biết về nguồn, streaming và xử lý kết quả.

Các biến thể

LibreYOLO phân phối một kích thước là b. Thượng nguồn công bố một mô hình YOLOv7 duy nhất, vì vậy không có nhiều kích thước để lựa chọn.

Huấn luyện

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 luôn tải checkpoint LibreYOLO7b.pt đã công bố, bất kể# instance này được khởi tạo với gì. Việc khởi tạo lớp trực tiếp thay vì# qua LibreYOLO() sẽ bắt đầu mà chưa tải bất kỳ trọng số nào.model = LibreYOLO7(None, size="b")model.train(data="my-dataset.yaml", epochs=300, pretrained=True)

pretrained được đọc, khác với đối số cùng tên không làm gì ở một số họ khác: truyền True để warm-start từ checkpoint LibreYOLO7b.pt đã công bố (được tự động tải), hoặc truyền đường dẫn hay tên cho trường hợp khác. Checkpoint đã công bố dùng COCO 80 lớp, nên khi yêu cầu nó trên mô hình đã được xây dựng lại cho số lớp khác, hệ thống trước tiên xây dựng lại về 80 lớp, tải checkpoint, rồi chuyển mọi tensor có shape khớp sang số lượng head đích sau khi đọc số lớp của tập dữ liệu. Không thể kết hợp resume=True với pretrained. Khi giữ mặc định None, quá trình huấn luyện tiếp tục từ trọng số dùng để khởi tạo mô hình hoặc từ khởi tạo ngẫu nhiên nếu chưa tải gì.

Nếu giữ nguyên các giá trị khác, trình huấn luyện chạy 300 epoch ở lr0=0.01 với SGD momentum 0.937, warmup 3 epoch, cùng phép gán SimOTA và giai đoạn 15 epoch cuối không tăng cường dữ liệu như YOLOX, được điều chỉnh cho head dựa trên anchor. Có một điểm khác biệt: YOLOX thêm bước tinh chỉnh hồi quy box L1 trong các epoch cuối đó, còn v7 bỏ qua vì loss SimOTA của v7 không có nhánh L1 độ lệch thô để tinh chỉnh.

Xem huấn luyện để biết về tập dữ liệu, tăng cường dữ liệu, multi-GPU và logger.

Đánh giá

val() trả về từ điển các khóa metrics/ bao gồm precision, recall, mAP 50 và mAP 50-95, được đo trên bất kỳ tập dữ liệu nào theo định dạng bạn đã huấn luyện.

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

Xuất

Artifact đã xuất được tải lại qua LibreYOLO() dựa trên hậu tố tệp, vì vậy tệp .onnx hoặc .engine hoạt động như checkpoint và trả về cùng Results. Cũng hỗ trợ chạy đồ thị trong runtime độc lập không cài LibreYOLO, nhưng khi đó bạn phải tự viết bước tiền xử lý và hậu xử lý.

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 định tuyến theo hậu tố tệp, nên artifact đã xuất được tải# như mọi checkpoint và trả về cùng đối tượng Results.model = LibreYOLO("LibreYOLO7b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Mọi tệp trọng số đã công bố cho họ này.

Giấy phép

Trích dẫn

@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)},
}