官方YOLOv7

论文实现 - YOLOv7: 可训练的免费技巧集合为实时目标检测器创造新的最先进水平

网页演示

已集成到Huggingface Spaces 🤗中,使用Gradio。尝试网页演示

性能

MS COCO

模型	测试尺寸	AP^test	AP₅₀^test	AP₇₅^test	batch 1 fps	batch 32 平均时间
YOLOv7	640	51.4%	69.7%	55.9%	161 fps	2.8 ms
YOLOv7-X	640	53.1%	71.2%	57.8%	114 fps	4.3 ms

YOLOv7-W6	1280	54.9%	72.6%	60.1%	84 fps	7.6 ms
YOLOv7-E6	1280	56.0%	73.5%	61.2%	56 fps	12.3 ms
YOLOv7-D6	1280	56.6%	74.0%	61.8%	44 fps	15.0 ms
YOLOv7-E6E	1280	56.8%	74.4%	62.1%	36 fps	18.7 ms

安装

Docker环境（推荐）

展开

# 创建docker容器，如果你有更多内存，可以更改共享内存大小。
nvidia-docker run --name yolov7 -it -v 你的coco路径/:/coco/ -v 你的代码路径/:/yolov7 --shm-size=64g nvcr.io/nvidia/pytorch:21.08-py3

# apt安装所需包
apt update
apt install -y zip htop screen libgl1-mesa-glx

# pip安装所需包
pip install seaborn thop

# 进入代码文件夹
cd /yolov7

测试

yolov7.pt yolov7x.pt yolov7-w6.pt yolov7-e6.pt yolov7-d6.pt yolov7-e6e.pt

python test.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.65 --device 0 --weights yolov7.pt --name yolov7_640_val

你将得到以下结果：

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.51206
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.69730
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.55521
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.35247
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.55937
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.66693
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.38453
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.63765
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.68772
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.53766
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.73549
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.83868

要测量准确度，请下载COCO-annotations for Pycocotools到./coco/annotations/instances_val2017.json

训练

数据准备

bash scripts/get_coco.sh

下载MS COCO数据集图像（训练集、验证集、测试集）和标签。如果你之前使用过不同版本的YOLO，我们强烈建议你删除train2017.cache和val2017.cache文件，并重新下载标签

单GPU训练

# 训练 p5 模型
python train.py --workers 8 --device 0 --batch-size 32 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights '' --name yolov7 --hyp data/hyp.scratch.p5.yaml

# 训练 p6 模型
python train_aux.py --workers 8 --device 0 --batch-size 16 --data data/coco.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6.yaml --weights '' --name yolov7-w6 --hyp data/hyp.scratch.p6.yaml

多 GPU 训练

# 训练 p5 模型
python -m torch.distributed.launch --nproc_per_node 4 --master_port 9527 train.py --workers 8 --device 0,1,2,3 --sync-bn --batch-size 128 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights '' --name yolov7 --hyp data/hyp.scratch.p5.yaml

# 训练 p6 模型
python -m torch.distributed.launch --nproc_per_node 8 --master_port 9527 train_aux.py --workers 8 --device 0,1,2,3,4,5,6,7 --sync-bn --batch-size 128 --data data/coco.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6.yaml --weights '' --name yolov7-w6 --hyp data/hyp.scratch.p6.yaml

迁移学习

yolov7_training.pt yolov7x_training.pt yolov7-w6_training.pt yolov7-e6_training.pt yolov7-d6_training.pt yolov7-e6e_training.pt

单 GPU 微调自定义数据集

# 微调 p5 模型
python train.py --workers 8 --device 0 --batch-size 32 --data data/custom.yaml --img 640 640 --cfg cfg/training/yolov7-custom.yaml --weights 'yolov7_training.pt' --name yolov7-custom --hyp data/hyp.scratch.custom.yaml

# 微调 p6 模型
python train_aux.py --workers 8 --device 0 --batch-size 16 --data data/custom.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6-custom.yaml --weights 'yolov7-w6_training.pt' --name yolov7-w6-custom --hyp data/hyp.scratch.custom.yaml

重参数化

参见 reparameterization.ipynb

推理

对视频进行推理:

python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source yourvideo.mp4

对图片进行推理:

python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source inference/images/horses.jpg

导出

Pytorch 转 CoreML (并在 MacOS/iOS 上进行推理)

Pytorch 转 ONNX 并包含 NMS (并进行推理)

python export.py --weights yolov7-tiny.pt --grid --end2end --simplify \
        --topk-all 100 --iou-thres 0.65 --conf-thres 0.35 --img-size 640 640 --max-wh 640

Pytorch 转 TensorRT 并包含 NMS (并进行推理)

wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7-tiny.pt
python export.py --weights ./yolov7-tiny.pt --grid --end2end --simplify --topk-all 100 --iou-thres 0.65 --conf-thres 0.35 --img-size 640 640
git clone https://github.com/Linaom1214/tensorrt-python.git
python ./tensorrt-python/export.py -o yolov7-tiny.onnx -e yolov7-tiny-nms.trt -p fp16

Pytorch 转 TensorRT 的另一种方法

展开

wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7-tiny.pt
python export.py --weights yolov7-tiny.pt --grid --include-nms
git clone https://github.com/Linaom1214/tensorrt-python.git
python ./tensorrt-python/export.py -o yolov7-tiny.onnx -e yolov7-tiny-nms.trt -p fp16

# 或使用 trtexec 将 ONNX 转换为 TensorRT 引擎
/usr/src/tensorrt/bin/trtexec --onnx=yolov7-tiny.onnx --saveEngine=yolov7-tiny-nms.trt --fp16

测试环境: Python 3.7.13, Pytorch 1.12.0+cu113

姿态估计

代码 yolov7-w6-pose.pt

参见 keypoint.ipynb。

实例分割 (与 NTU 合作)

代码 yolov7-mask.pt

参见 instance.ipynb。

实例分割

代码 yolov7-seg.pt

YOLOv7 用于实例分割 (YOLOR + YOLOv5 + YOLACT)

模型	测试尺寸	AP^框	AP₅₀^框	AP₇₅^框	AP^掩码	AP₅₀^掩码	AP₇₅^掩码
YOLOv7-seg	640	51.4%	69.4%	55.8%	41.5%	65.5%	43.7%

无锚点检测头

代码 yolov7-u6.pt

带解耦TAL头的YOLOv7（YOLOR + YOLOv5 + YOLOv6）

模型	测试尺寸	AP^验证	AP₅₀^验证	AP₇₅^验证
YOLOv7-u6	640	52.6%	69.7%	57.3%

引用

@inproceedings{wang2023yolov7,
  title={{YOLOv7}: 可训练的免费附加功能集为实时目标检测器树立新标准},
  author={Wang, Chien-Yao and Bochkovskiy, Alexey and Liao, Hong-Yuan Mark},
  booktitle={IEEE/CVF计算机视觉与模式识别会议论文集（CVPR）},
  year={2023}
}

@article{wang2023designing,
  title={通过梯度路径分析设计网络设计策略},
  author={Wang, Chien-Yao and Liao, Hong-Yuan Mark and Yeh, I-Hau},
  journal={信息科学与工程学报},
  year={2023}
}