YOLOv7: Trainable Bag-of-Freebies#

2022년 7년에 출시된 YOLOv7은 당시 실시간 객체 검출 분야에서 중요한 발전이었습니다. GPU V100에서 56.8% AP를 달성하여 출시 당시 새로운 벤치마크를 세웠습니다. YOLOv7은 속도와 정확도 측면에서 YOLOR, YOLOX, Scaled-YOLOv4, YOLOv5와 같은 동시대 객체 검출기들을 능가했습니다. 이 모델은 다른 데이터셋이나 사전 학습된 가중치 없이 MS COCO 데이터셋을 처음부터 학습했습니다. YOLOv7의 소스 코드는 GitHub에서 확인할 수 있습니다. YOLO11 및 YOLO26과 같은 최신 모델들은 이후 향상된 효율성으로 더 높은 정확도를 달성했음에 유의하십시오.

SOTA 객체 탐지기 비교#

YOLO 비교 표의 결과로부터 제안된 방법이 속도와 정확도 사이에서 종합적으로 가장 우수한 균형을 갖추고 있음을 알 수 있습니다. YOLOv7-tiny-SiLU를 YOLOv5-N (r6.1)과 비교하면, 저희 방법이 127 fps 더 빠르며 AP는 10.7% 더 정확합니다. 또한, YOLOv7은 161 fps의 프레임 속도에서 51.4%의 AP를 보이는 반면, 동일한 AP를 가진 PPYOLOE-L은 78 fps의 프레임 속도만을 제공합니다. 파라미터 사용량 면에서 YOLOv7은 PPYOLOE-L보다 41% 더 적습니다.

114 fps 추론 속도의 YOLOv7-X를 99 fps 추론 속도의 YOLOv5-L (r6.1)과 비교하면, YOLOv7-X는 AP를 3.9% 향상시킬 수 있습니다. 유사한 규모의 YOLOv5-X (r6.1)와 비교할 때 YOLOv7-X의 추론 속도는 31 fps 더 빠릅니다. 또한 파라미터 양과 연산량 측면에서 YOLOv7-X는 YOLOv5-X (r6.1)에 비해 파라미터는 22%, 연산량은 8% 줄이면서도 AP는 2.2% 향상시켰습니다 (출처).

개요#

실시간 객체 검출은 다중 object tracking, 자율 주행, robotics, 그리고 medical image analysis를 포함한 많은 computer vision 시스템에서 중요한 구성 요소입니다. 최근 몇 년 동안 실시간 객체 검출 개발은 효율적인 아키텍처 설계와 다양한 CPU, GPU, 신경망 처리 장치(NPU)의 추론 속도 향상에 집중해 왔습니다. YOLOv7은 엣지부터 클라우드에 이르기까지 모바일 GPU와 GPU 디바이스를 모두 지원합니다.

아키텍처 최적화에 중점을 두는 기존 실시간 객체 탐지기와 달리, YOLOv7은 학습 과정의 최적화에 집중합니다. 여기에는 추론 비용을 늘리지 않으면서 객체 탐지의 정확도를 높이기 위해 설계된 모듈 및 최적화 방법이 포함되며, 이를 "훈련 가능한 Bag-of-Freebies"라고 합니다.

주요 특징#

YOLOv7은 다음과 같은 몇 가지 주요 기능을 도입합니다:

1. 모델 재매개변수화(Model Re-parameterization): YOLOv7은 경사 전파 경로 개념을 통해 서로 다른 네트워크의 레이어에 적용할 수 있는 전략인 계획된 재매개변수화 모델을 제안합니다.

2. 동적 라벨 할당(Dynamic Label Assignment): 다중 출력 레이어를 가진 모델의 학습은 "서로 다른 브랜치의 출력에 대해 어떻게 동적 타겟을 할당할 것인가?"라는 새로운 문제를 제시합니다. 이 문제를 해결하기 위해 YOLOv7은 coarse-to-fine lead guided label assignment라는 새로운 라벨 할당 방법을 도입합니다.

3. 확장 및 복합 스케일링(Extended and Compound Scaling): YOLOv7은 매개변수와 계산을 효과적으로 활용할 수 있는 실시간 객체 탐지기를 위한 "확장" 및 "복합 스케일링" 방법을 제안합니다.

4. 효율성(Efficiency): YOLOv7이 제안하는 방법은 최신 실시간 객체 탐지기 대비 매개변수를 약 40%, 계산량을 50% 효과적으로 줄일 수 있으며, 더 빠른 추론 속도와 더 높은 탐지 정확도를 제공합니다.

사용 예제#

Ultralytics는 yolov7.pt 사전 학습된 가중치나 ultralytics/cfg/models/v7/ YAML을 게시하지 않으며, YOLOv7에 대한 네이티브 PyTorch 학습 및 추론은 Ultralytics Python 패키지에서 지원되지 않습니다. 그러나 아래에 설명된 대로 ONNX 또는 TensorRT로 내보내기를 통해 업스트림 YOLOv7 리포지토리에서 학습된 YOLOv7 체크포인트를 Ultralytics로 가져올 수 있습니다.

ONNX 내보내기(Export)#

Ultralytics와 함께 YOLOv7 ONNX 모델을 사용하려면:

1. (선택 사항) Ultralytics를 설치하고 ONNX 모델을 내보내 필요한 종속성을 자동으로 설치하십시오:

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

2. YOLOv7 리포지토리의 내보내기 도구를 사용하여 원하는 YOLOv7 모델을 내보냅니다:

   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. 다음 스크립트를 사용하여 Ultralytics와 호환되도록 ONNX 모델 그래프를 수정하십시오:

   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. 그런 다음 수정된 ONNX 모델을 로드하고 Ultralytics에서 평소와 같이 추론을 실행할 수 있습니다:

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

TensorRT 내보내기(Export)#

1. ONNX Export 섹션의 1-2단계를 따르십시오.

2. TensorRT Python 패키지를 설치합니다:

   pip install tensorrt

3. 다음 스크립트를 실행하여 수정된 ONNX 모델을 TensorRT 엔진으로 변환하십시오:

   from ultralytics.utils.export import export_engine
   
   export_engine("yolov7-ultralytics.onnx", half=True)

4. Ultralytics에서 모델을 로드하고 실행하십시오:

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

인용 및 감사의 글#

실시간 객체 탐지 분야에 중요한 기여를 한 YOLOv7 저자들에게 감사를 표합니다:

@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}
}

공식 YOLOv7 논문은 CVF 2023 Open Access에 출판되었으며, arXiv에 사전 인쇄본이 있습니다. 저자들은 연구 결과를 대중에 공개했으며, 코드베이스는 GitHub에서 액세스할 수 있습니다. 분야를 발전시키고 더 넓은 커뮤니티가 연구에 접근할 수 있도록 한 그들의 노력에 감사드립니다.

FAQ#

YOLOv7이란 무엇이며, 왜 실시간 객체 검출 분야의 획기적인 발전으로 여겨지나요?#

2022년 7월에 출시된 YOLOv7은 출시 당시 뛰어난 속도와 정확도를 달성한 중요한 실시간 객체 검출 모델이었습니다. 이 모델은 파라미터 사용량과 추론 속도 모두에서 YOLOX, YOLOv5, PPYOLOE와 같은 동시대 모델들을 능가했습니다. YOLOv7의 차별화된 특징으로는 추론 비용을 증가시키지 않으면서 성능을 최적화하는 모델 재매개변수화와 동적 레이블 할당이 있습니다. 아키텍처에 대한 자세한 기술적 세부 정보 및 기타 최첨단 객체 검출기와의 비교 측정항목은 YOLOv7 paper를 참조하십시오.

YOLOv7은 YOLOv4 및 YOLOv5와 같은 이전 YOLO 모델을 어떻게 개선했습니까?#

YOLOv7은 학습 프로세스를 강화하고 추론 정확도를 향상시키는 모델 재매개변수화 및 동적 레이블 할당을 포함한 여러 혁신을 도입합니다. YOLOv5와 비교할 때 YOLOv7은 속도와 정확도를 크게 향상시킵니다. 예를 들어, YOLOv7-X는 YOLOv5-X에 비해 정확도를 2.2% 향상시키고 파라미터를 22% 줄입니다. 자세한 비교는 성능 표 YOLOv7 comparison with SOTA object detectors에서 확인할 수 있습니다.

YOLOv7을 Ultralytics 도구 및 플랫폼과 함께 사용할 수 있습니까?#

현재 Ultralytics는 YOLOv7 ONNX 및 TensorRT 추론만 지원합니다. Ultralytics와 함께 YOLOv7의 ONNX 및 TensorRT 내보내기 버전을 실행하려면 사용 예시 섹션을 확인하십시오.

내 데이터셋을 사용하여 사용자 지정 YOLOv7 모델을 학습하려면 어떻게 해야 합니까?#

사용자 지정 YOLOv7 모델을 설치하고 학습하려면 다음 단계를 따르십시오:

1. YOLOv7 저장소를 복제(Clone)하십시오:

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

2. 복제된 디렉토리로 이동하여 종속성을 설치하십시오:

   cd yolov7
   pip install -r requirements.txt

3. 리포지토리에 제공된 사용 지침에 따라 데이터셋을 준비하고 모델 파라미터를 구성하십시오. 추가적인 안내를 원하시면 YOLOv7 GitHub 리포지토리를 방문하여 최신 정보와 업데이트를 확인하시기 바랍니다.

4. 학습 후 사용 예시에 표시된 대로 Ultralytics에서 사용할 수 있도록 모델을 ONNX 또는 TensorRT로 내보낼 수 있습니다.

YOLOv7에서 도입된 주요 기능과 최적화는 무엇입니까?#

YOLOv7은 실시간 객체 탐지를 혁신하는 몇 가지 주요 기능을 제공합니다:

• 모델 재매개변수화(Model Re-parameterization): 경사 전파 경로를 최적화하여 모델의 성능을 향상시킵니다.
• 동적 라벨 할당(Dynamic Label Assignment): coarse-to-fine lead guided 방법을 사용하여 여러 브랜치의 출력에 동적 타겟을 할당함으로써 정확도를 향상시킵니다.
• 확장 및 복합 스케일링(Extended and Compound Scaling): 매개변수와 계산을 효율적으로 활용하여 다양한 실시간 애플리케이션에 맞게 모델을 확장합니다.
• 효율성(Efficiency): 다른 최신 모델 대비 매개변수 수를 40%, 계산량을 50% 줄이는 동시에 더 빠른 추론 속도를 달성합니다.

이러한 기능에 대한 자세한 내용은 YOLOv7 개요 섹션을 참조하십시오.