YOLOv7: トレーニング可能なBag-of-Freebies#

2022年7月にリリースされたYOLOv7は、リリース当時のリアルタイム物体検出における大きな進歩でした。GPU V100で56.8%のAPを達成し、発表時に新たなベンチマークを確立しました。YOLOv7は、速度と精度の両面で、YOLOR、YOLOX、Scaled-YOLOv4、YOLOv5などの同時代の物体検出器を上回りました。このモデルは、他のデータセットや事前学習済み重みを使用せず、MS COCOデータセットのみでゼロから学習されています。YOLOv7のソースコードはGitHubで利用できます。なお、その後、YOLO11やYOLO26などの新しいモデルが、効率性を向上させながらより高い精度を達成しています。

SOTA物体検出器の比較#

YOLOの比較表の結果から、提案手法が速度と精度のトレードオフにおいて総合的に最も優れていることが分かります。YOLOv7-tiny-SiLUとYOLOv5-N (r6.1)を比較すると、提案手法は127 fps高速で、APで10.7%高い精度を達成しています。さらに、YOLOv7は161 fpsのフレームレートで51.4%のAPを達成していますが、同じAPを持つPPYOLOE-Lのフレームレートはわずか78 fpsです。パラメーター使用量の面では、YOLOv7はPPYOLOE-Lより41%少なくなっています。

推論速度114 fpsのYOLOv7-Xと推論速度99 fpsのYOLOv5-L (r6.1)を比較すると、YOLOv7-XはAPを3.9%向上させられます。YOLOv7-Xを同程度の規模のYOLOv5-X (r6.1)と比較すると、YOLOv7-Xの推論速度は31 fps高速です。さらに、パラメーター数と計算量の面では、YOLOv7-XはYOLOv5-X (r6.1)と比較してパラメーターを22%、計算量を8%削減しながら、APを2.2%向上させています（出典）。

概要#

リアルタイム物体検出は、マルチ物体追跡、自動運転、ロボティクス、医用画像解析など、多くのコンピュータービジョンシステムにおける重要な構成要素です。近年、リアルタイム物体検出の開発では、効率的なアーキテクチャの設計と、さまざまなCPU、GPU、ニューラルプロセッシングユニット（NPU）の推論速度向上に重点が置かれています。YOLOv7は、エッジからクラウドまで、モバイルGPUとGPUの両方のデバイスをサポートしています。

アーキテクチャの最適化に重点を置く従来のリアルタイム物体検出器とは異なり、YOLOv7は学習プロセスの最適化に重点を置いています。これには、推論コストを増加させずに物体検出の精度を向上させるよう設計されたモジュールと最適化手法が含まれます。この概念は「トレーニング可能なBag-of-Freebies」と呼ばれています。

主な特徴#

YOLOv7は、いくつかの主要機能を導入しています。

1. モデルの再パラメーター化: YOLOv7は、勾配伝播パスの概念に基づき、異なるネットワークのレイヤーに適用できる戦略として、計画的に再パラメーター化されたモデルを提案しています。

2. 動的ラベル割り当て: 複数の出力レイヤーを持つモデルの学習では、「異なるブランチの出力に対して動的ターゲットをどのように割り当てるか」という新たな問題が生じます。この問題を解決するため、YOLOv7はcoarse-to-fine lead guided label assignmentと呼ばれる新しいラベル割り当て手法を導入しています。

3. 拡張スケーリングと複合スケーリング: YOLOv7は、パラメーターと計算量を効果的に活用できるリアルタイム物体検出器向けに、「拡張」および「複合スケーリング」手法を提案しています。

4. 効率性: YOLOv7が提案する手法は、最先端のリアルタイム物体検出器のパラメーターを約40%、計算量を50%効果的に削減し、より高速な推論速度と高い検出精度を実現します。

使用例#

Ultralyticsはyolov7.ptの事前学習済み重みやultralytics/cfg/models/v7/のYAMLファイルを公開しておらず、YOLOv7のネイティブなPyTorchによる学習と推論は、Ultralytics Pythonパッケージではサポートされていません。ただし、以下に示すように、upstream YOLOv7 repositoryで学習したYOLOv7チェックポイントをONNXまたはTensorRTにエクスポートすることで、Ultralyticsに取り込めます。

ONNXエクスポート#

UltralyticsでYOLOv7 ONNXモデルを使用するには、次の手順に従います。

1. （オプション）UltralyticsをインストールしてONNXモデルをエクスポートすると、必要な依存関係が自動的にインストールされます。

   pip install ultralytics
   yolo export model=yolo26n.pt format=onnx

2. YOLOv7 repoのエクスポーターを使用して、目的のYOLOv7モデルをエクスポートします。

   git clone https://github.com/WongKinYiu/yolov7
   cd yolov7
   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

3. 次のスクリプトを使用して、Ultralyticsと互換性を持つようにONNXモデルグラフを変更します。

   import numpy as np
   import onnx
   from onnx import helper, numpy_helper
   
   # Load the ONNX model
   model_path = "yolov7/yolov7-tiny.onnx"  # Replace with your model path
   model = onnx.load(model_path)
   graph = model.graph
   
   # Fix input shape to batch size 1
   input_shape = graph.input[0].type.tensor_type.shape
   input_shape.dim[0].dim_value = 1
   
   # Define the output of the original model
   original_output_name = graph.output[0].name
   
   # Create slicing nodes
   sliced_output_name = f"{original_output_name}_sliced"
   
   # Define initializers for slicing (remove the first value)
   start = numpy_helper.from_array(np.array([1], dtype=np.int64), name="slice_start")
   end = numpy_helper.from_array(np.array([7], dtype=np.int64), name="slice_end")
   axes = numpy_helper.from_array(np.array([1], dtype=np.int64), name="slice_axes")
   steps = numpy_helper.from_array(np.array([1], dtype=np.int64), name="slice_steps")
   
   graph.initializer.extend([start, end, axes, steps])
   
   slice_node = helper.make_node(
       "Slice",
       inputs=[original_output_name, "slice_start", "slice_end", "slice_axes", "slice_steps"],
       outputs=[sliced_output_name],
       name="SliceNode",
   )
   graph.node.append(slice_node)
   
   # Define segment slicing
   seg1_start = numpy_helper.from_array(np.array([0], dtype=np.int64), name="seg1_start")
   seg1_end = numpy_helper.from_array(np.array([4], dtype=np.int64), name="seg1_end")
   seg2_start = numpy_helper.from_array(np.array([4], dtype=np.int64), name="seg2_start")
   seg2_end = numpy_helper.from_array(np.array([5], dtype=np.int64), name="seg2_end")
   seg3_start = numpy_helper.from_array(np.array([5], dtype=np.int64), name="seg3_start")
   seg3_end = numpy_helper.from_array(np.array([6], dtype=np.int64), name="seg3_end")
   
   graph.initializer.extend([seg1_start, seg1_end, seg2_start, seg2_end, seg3_start, seg3_end])
   
   # Create intermediate tensors for segments
   segment_1_name = f"{sliced_output_name}_segment1"
   segment_2_name = f"{sliced_output_name}_segment2"
   segment_3_name = f"{sliced_output_name}_segment3"
   
   # Add segment slicing nodes
   graph.node.extend(
       [
           helper.make_node(
               "Slice",
               inputs=[sliced_output_name, "seg1_start", "seg1_end", "slice_axes", "slice_steps"],
               outputs=[segment_1_name],
               name="SliceSegment1",
           ),
           helper.make_node(
               "Slice",
               inputs=[sliced_output_name, "seg2_start", "seg2_end", "slice_axes", "slice_steps"],
               outputs=[segment_2_name],
               name="SliceSegment2",
           ),
           helper.make_node(
               "Slice",
               inputs=[sliced_output_name, "seg3_start", "seg3_end", "slice_axes", "slice_steps"],
               outputs=[segment_3_name],
               name="SliceSegment3",
           ),
       ]
   )
   
   # Concatenate the segments
   concat_output_name = f"{sliced_output_name}_concat"
   concat_node = helper.make_node(
       "Concat",
       inputs=[segment_1_name, segment_3_name, segment_2_name],
       outputs=[concat_output_name],
       axis=1,
       name="ConcatSwapped",
   )
   graph.node.append(concat_node)
   
   # Reshape to [1, -1, 6]
   reshape_shape = numpy_helper.from_array(np.array([1, -1, 6], dtype=np.int64), name="reshape_shape")
   graph.initializer.append(reshape_shape)
   
   final_output_name = f"{concat_output_name}_batched"
   reshape_node = helper.make_node(
       "Reshape",
       inputs=[concat_output_name, "reshape_shape"],
       outputs=[final_output_name],
       name="AddBatchDimension",
   )
   graph.node.append(reshape_node)
   
   # Get the shape of the reshaped tensor
   shape_node_name = f"{final_output_name}_shape"
   shape_node = helper.make_node(
       "Shape",
       inputs=[final_output_name],
       outputs=[shape_node_name],
       name="GetShapeDim",
   )
   graph.node.append(shape_node)
   
   # Extract the second dimension
   dim_1_index = numpy_helper.from_array(np.array([1], dtype=np.int64), name="dim_1_index")
   graph.initializer.append(dim_1_index)
   
   second_dim_name = f"{final_output_name}_dim1"
   gather_node = helper.make_node(
       "Gather",
       inputs=[shape_node_name, "dim_1_index"],
       outputs=[second_dim_name],
       name="GatherSecondDim",
   )
   graph.node.append(gather_node)
   
   # Subtract from 100 to determine how many values to pad
   target_size = numpy_helper.from_array(np.array([100], dtype=np.int64), name="target_size")
   graph.initializer.append(target_size)
   
   pad_size_name = f"{second_dim_name}_padsize"
   sub_node = helper.make_node(
       "Sub",
       inputs=["target_size", second_dim_name],
       outputs=[pad_size_name],
       name="CalculatePadSize",
   )
   graph.node.append(sub_node)
   
   # Build the [2, 3] pad array:
   # 1st row -> [0, 0, 0] (no padding at the start of any dim)
   # 2nd row -> [0, pad_size, 0] (pad only at the end of the second dim)
   pad_starts = numpy_helper.from_array(np.array([0, 0, 0], dtype=np.int64), name="pad_starts")
   graph.initializer.append(pad_starts)
   
   zero_scalar = numpy_helper.from_array(np.array([0], dtype=np.int64), name="zero_scalar")
   graph.initializer.append(zero_scalar)
   
   pad_ends_name = "pad_ends"
   concat_pad_ends_node = helper.make_node(
       "Concat",
       inputs=["zero_scalar", pad_size_name, "zero_scalar"],
       outputs=[pad_ends_name],
       axis=0,
       name="ConcatPadEnds",
   )
   graph.node.append(concat_pad_ends_node)
   
   pad_values_name = "pad_values"
   concat_pad_node = helper.make_node(
       "Concat",
       inputs=["pad_starts", pad_ends_name],
       outputs=[pad_values_name],
       axis=0,
       name="ConcatPadStartsEnds",
   )
   graph.node.append(concat_pad_node)
   
   # Create Pad operator to pad with zeros
   pad_output_name = f"{final_output_name}_padded"
   pad_constant_value = numpy_helper.from_array(
       np.array([0.0], dtype=np.float32),
       name="pad_constant_value",
   )
   graph.initializer.append(pad_constant_value)
   
   pad_node = helper.make_node(
       "Pad",
       inputs=[final_output_name, pad_values_name, "pad_constant_value"],
       outputs=[pad_output_name],
       mode="constant",
       name="PadToFixedSize",
   )
   graph.node.append(pad_node)
   
   # Update the graph's final output to [1, 100, 6]
   new_output_type = onnx.helper.make_tensor_type_proto(
       elem_type=graph.output[0].type.tensor_type.elem_type, shape=[1, 100, 6]
   )
   new_output = onnx.helper.make_value_info(name=pad_output_name, type_proto=new_output_type)
   
   # Replace the old output with the new one
   graph.output.pop()
   graph.output.extend([new_output])
   
   # Save the modified model
   onnx.save(model, "yolov7-ultralytics.onnx")

4. その後、変更したONNXモデルを読み込み、Ultralyticsで通常どおり推論を実行できます。

   from ultralytics import ASSETS, YOLO
   
   model = YOLO("yolov7-ultralytics.onnx", task="detect")
   
   results = model(ASSETS / "bus.jpg")

TensorRTエクスポート#

1. ONNXエクスポートセクションの手順1～2に従います。

2. TensorRT Pythonパッケージをインストールします。

   pip install tensorrt

3. 次のスクリプトを実行して、変更したONNXモデルをTensorRTエンジンに変換します。

   from ultralytics.utils.export import onnx2engine
   
   onnx2engine("yolov7-ultralytics.onnx", quantize=16)

4. Ultralyticsでモデルを読み込み、実行します。

   from ultralytics import ASSETS, YOLO
   
   model = YOLO("yolov7-ultralytics.engine", task="detect")
   
   results = model(ASSETS / "bus.jpg")

引用と謝辞#

リアルタイム物体検出の分野に多大な貢献をされたYOLOv7の著者の皆様に謝意を表します。

@inproceedings{wang2023yolov7,
  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},
  booktitle={Proceedings of the IEEE/CVF conference on Computer Vision and Pattern Recognition (CVPR)},
  pages={7464--7475},
  year={2023}
}

YOLOv7の公式論文はCVF 2023 Open Accessで公開され、arXivにはプレプリントが掲載されています。著者らは研究成果を一般公開しており、コードベースはGitHubで利用できます。分野の発展に貢献し、研究成果をより広いコミュニティに公開された著者らの取り組みに感謝します。

FAQ#