YOLOv7: Saco de brindes treinável

O YOLOv7 é um detetor de objectos em tempo real de última geração que ultrapassa todos os detectores de objectos conhecidos, tanto em termos de velocidade como de precisão, na gama de 5 FPS a 160 FPS. Tem a maior precisão (56,8% AP) entre todos os detectores de objectos em tempo real conhecidos com 30 FPS ou mais em GPU V100. Além disso, o YOLOv7 supera outros detectores de objectos como o YOLOR, YOLOX, Scaled-YOLOv4, YOLOv5, e muitos outros em termos de velocidade e precisão. O modelo é treinado no conjunto de dados MS COCO a partir do zero, sem utilizar quaisquer outros conjuntos de dados ou pesos pré-treinados. O código-fonte do YOLOv7 está disponível no GitHub.

Comparação dos detectores de objectos SOTA

Com base nos resultados da tabela de comparação YOLO , sabemos que o método proposto tem a melhor relação velocidade-precisão em termos globais. Se compararmos o YOLOv7-tiny-SiLU com o YOLOv5-N (r6.1), o nosso método é 127 fps mais rápido e 10,7% mais preciso em termos de PA. Além disso, o YOLOv7 tem 51,4% de PA a uma taxa de fotogramas de 161 fps, enquanto o PPYOLOE-L com o mesmo PA tem apenas uma taxa de fotogramas de 78 fps. Em termos de utilização de parâmetros, o YOLOv7 é 41% inferior ao PPYOLOE-L. Se compararmos o YOLOv7-X com uma velocidade de inferência de 114 fps com o YOLOv5-L (r6.1) com uma velocidade de inferência de 99 fps, o YOLOv7-X pode melhorar o PA em 3,9%. Se o YOLOv7-X for comparado com YOLOv5-X (r6.1) de escala semelhante, a velocidade de inferência do YOLOv7-X é 31 fps mais rápida. Além disso, em termos de quantidade de parâmetros e de computação, o YOLOv7-X reduz 22% dos parâmetros e 8% da computação em comparação com o YOLOv5-X (r6.1), mas melhora o PA em 2,2%(Fonte).

Visão geral

A deteção de objectos em tempo real é um componente importante em muitos sistemas de visão por computador, incluindo o seguimento de vários objectos, a condução autónoma, a robótica e a análise de imagens médicas. Nos últimos anos, o desenvolvimento da deteção de objectos em tempo real tem-se centrado na conceção de arquitecturas eficientes e na melhoria da velocidade de inferência de vários CPUs, GPUs e unidades de processamento neural (NPUs). O YOLOv7 suporta dispositivos móveis GPU e GPU , desde o limite até à nuvem.

Ao contrário dos detectores de objectos tradicionais em tempo real, que se concentram na otimização da arquitetura, o YOLOv7 introduz um enfoque na otimização do processo de formação. Isto inclui módulos e métodos de otimização concebidos para melhorar a precisão da deteção de objectos sem aumentar o custo de inferência, um conceito conhecido como "trainable bag-of-freebies".

Caraterísticas principais

O YOLOv7 apresenta várias caraterísticas fundamentais:

1. Re-parametrização do modelo: O YOLOv7 propõe um modelo re-parametrizado planeado, que é uma estratégia aplicável a camadas em diferentes redes com o conceito de caminho de propagação de gradiente.

2. Atribuição dinâmica de etiquetas: A formação do modelo com várias camadas de saída apresenta uma nova questão: "Como atribuir objectivos dinâmicos para as saídas de diferentes ramos?" Para resolver este problema, o YOLOv7 introduz um novo método de atribuição de rótulos denominado atribuição de rótulos guiada por chumbo grosso a fino.

3. Escalonamento estendido e composto: O YOLOv7 propõe métodos de "extensão" e "escala composta" para o detetor de objectos em tempo real que podem utilizar eficazmente os parâmetros e a computação.

4. Eficiência: O método proposto pelo YOLOv7 pode reduzir eficazmente cerca de 40% dos parâmetros e 50% da computação do detetor de objectos em tempo real topo de gama, e tem uma velocidade de inferência mais rápida e uma maior precisão de deteção.

Exemplos de utilização

No momento em que este artigo foi escrito, Ultralytics não suporta atualmente os modelos YOLOv7. Por conseguinte, os utilizadores interessados em utilizar o YOLOv7 terão de consultar diretamente o repositório GitHub do YOLOv7 para obter instruções de instalação e utilização.

Segue-se uma breve descrição dos passos típicos que pode seguir para utilizar o YOLOv7:

1. Visite o repositório GitHub do YOLOv7: https://github.com/WongKinYiu/yolov7.

2. Siga as instruções fornecidas no ficheiro README para a instalação. Normalmente, isso envolve a clonagem do repositório, a instalação das dependências necessárias e a configuração de quaisquer variáveis de ambiente necessárias.

3. Uma vez concluída a instalação, pode treinar e utilizar o modelo de acordo com as instruções de utilização fornecidas no repositório. Normalmente, isto envolve a preparação do conjunto de dados, a configuração dos parâmetros do modelo, o treino do modelo e, em seguida, a utilização do modelo treinado para efetuar a deteção de objectos.

Tenha em atenção que os passos específicos podem variar consoante o seu caso de utilização específico e o estado atual do repositório YOLOv7. Por conseguinte, recomenda-se vivamente que consulte diretamente as instruções fornecidas no repositório GitHub do YOLOv7.

Lamentamos qualquer inconveniente que isto possa causar e esforçar-nos-emos por atualizar este documento com exemplos de utilização para Ultralytics assim que o suporte para YOLOv7 for implementado.

Citações e agradecimentos

Gostaríamos de agradecer aos autores do YOLOv7 pelas suas contribuições significativas no domínio da deteção de objectos em tempo real:

@article{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},
  journal={arXiv preprint arXiv:2207.02696},
  year={2022}
}

O artigo original do YOLOv7 pode ser encontrado no arXiv. Os autores tornaram o seu trabalho publicamente disponível e a base de código pode ser acedida no GitHub. Agradecemos os seus esforços para fazer avançar o campo e tornar o seu trabalho acessível à comunidade em geral.

FAQ

O que é o YOLOv7 e porque é considerado um avanço na deteção de objectos em tempo real?

O YOLOv7 é um modelo avançado de deteção de objectos em tempo real que atinge uma velocidade e precisão sem paralelo. Ultrapassa outros modelos, tais como YOLOX, YOLOv5 e PPYOLOE, tanto na utilização de parâmetros como na velocidade de inferência. As caraterísticas distintivas do YOLOv7 incluem a re-parametrização do modelo e a atribuição dinâmica de etiquetas, que optimizam o seu desempenho sem aumentar os custos de inferência. Para mais detalhes técnicos sobre a sua arquitetura e métricas de comparação com outros detectores de objectos de última geração, consulte o documento YOLOv7.

Como é que o YOLOv7 melhora em relação aos modelos anteriores YOLO como o YOLOv4 e YOLOv5?

O YOLOv7 introduz várias inovações, incluindo a re-parametrização do modelo e a atribuição dinâmica de etiquetas, que melhoram o processo de formação e aumentam a precisão da inferência. Em comparação com YOLOv5, o YOLOv7 aumenta significativamente a velocidade e a precisão. Por exemplo, o YOLOv7-X melhora a precisão em 2,2% e reduz os parâmetros em 22% em comparação com YOLOv5-X. As comparações detalhadas podem ser encontradas na tabela de desempenho YOLOv7 comparação com detectores de objectos SOTA.

Posso utilizar o YOLOv7 com as ferramentas e plataformas Ultralytics ?

Atualmente, o Ultralytics não suporta diretamente o YOLOv7 nas suas ferramentas e plataformas. Os utilizadores interessados em utilizar o YOLOv7 têm de seguir as instruções de instalação e utilização fornecidas no repositório GitHub do YOLOv7. Para outros modelos de última geração, pode explorar e treinar utilizando ferramentas Ultralytics como Ultralytics HUB.

Como é que instalo e executo o YOLOv7 para um projeto de deteção de objectos personalizado?

Para instalar e executar o YOLOv7, siga estes passos:

1. Clonar o repositório YOLOv7:

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

2. Navegue até ao diretório clonado e instale as dependências:

   cd yolov7
   pip install -r requirements.txt
   

3. Prepare o seu conjunto de dados e configure os parâmetros do modelo de acordo com as instruções de utilização fornecidas no repositório. Para mais orientações, visite o repositório GitHub do YOLOv7 para obter as informações e actualizações mais recentes.

Quais são as principais caraterísticas e optimizações introduzidas no YOLOv7?

O YOLOv7 oferece várias caraterísticas chave que revolucionam a deteção de objectos em tempo real:

• Re-parametrização do modelo: Melhora o desempenho do modelo, optimizando os caminhos de propagação do gradiente.
• Atribuição dinâmica de rótulos: Utiliza um método guiado por chumbo grosso a fino para atribuir alvos dinâmicos para saídas em diferentes ramos, melhorando a precisão.
• Escalonamento estendido e composto: Utiliza parâmetros e computação de forma eficiente para escalar o modelo para várias aplicações em tempo real.
• Eficiência: Reduz a contagem de parâmetros em 40% e a computação em 50% em comparação com outros modelos de última geração, ao mesmo tempo que atinge velocidades de inferência mais rápidas. Para mais informações sobre estas caraterísticas, consulte a secção Descrição geral do YOLOv7.

📅C riado há 1 ano ✏️ Atualizado há 1 mês

Comentários