YOLOv7: Обучаемый мешок бесплатных вещей

YOLOv7 - это современный детектор объектов в реальном времени, который превосходит все известные детекторы объектов как по скорости, так и по точности в диапазоне от 5 FPS до 160 FPS. Он обладает самой высокой точностью (56,8% AP) среди всех известных детекторов объектов в реальном времени с частотой 30 FPS и выше на GPU V100. Более того, YOLOv7 превосходит по скорости и точности другие детекторы объектов, такие как YOLOR, YOLOX, Scaled-YOLOv4, YOLOv5, и многие другие. Модель обучена на наборе данных MS COCO с нуля, без использования каких-либо других наборов данных или предварительно обученных весов. Исходный код YOLOv7 доступен на GitHub.

Сравнение детекторов объектов SOTA

Из результатов, приведенных в сравнительной таблице YOLO , мы знаем, что предложенный метод имеет наилучший компромисс между скоростью и точностью в целом. Если сравнивать YOLOv7-tiny-SiLU с YOLOv5-N (r6.1), то наш метод на 127 fps быстрее и на 10,7% точнее по AP. Кроме того, YOLOv7 имеет 51,4% AP при частоте кадров 161 fps, в то время как PPYOLOE-L с той же AP имеет только 78 fps частоты кадров. Что касается использования параметров, то YOLOv7 на 41% меньше, чем PPYOLOE-L. Если сравнить YOLOv7-X со скоростью вывода 114 кадров в секунду с YOLOv5-L (r6.1) со скоростью вывода 99 кадров в секунду, то YOLOv7-X может улучшить AP на 3,9%. Если сравнить YOLOv7-X с YOLOv5-X (r6.1) аналогичного масштаба, то скорость умозаключений YOLOv7-X на 31 кадр быстрее. Кроме того, что касается количества параметров и вычислений, YOLOv7-X сокращает 22% параметров и 8% вычислений по сравнению с YOLOv5-X (r6.1), но улучшает AP на 2,2%(Источник).

Обзор

Обнаружение объектов в реальном времени - важный компонент многих систем компьютерного зрения, включая многообъектное слежение, автономное вождение, робототехнику и анализ медицинских изображений. В последние годы разработки в области обнаружения объектов в реальном времени были сосредоточены на создании эффективных архитектур и повышении скорости вычислений на различных CPU, GPU и нейронных процессорах (NPU). YOLOv7 поддерживает как мобильные GPU , так и GPU устройства, от края до облака.

В отличие от традиционных детекторов объектов в реальном времени, которые фокусируются на оптимизации архитектуры, YOLOv7 делает акцент на оптимизации процесса обучения. Сюда входят модули и методы оптимизации, разработанные для повышения точности обнаружения объектов без увеличения стоимости умозаключений, - концепция, известная как "обучаемый мешок свободных вещей".

Основные характеристики

YOLOv7 представляет несколько ключевых особенностей:

1. Перепараметризация модели: YOLOv7 предлагает запланированную перепараметризованную модель, которая представляет собой стратегию, применимую к слоям в различных сетях с концепцией пути распространения градиента.

2. Динамическое присвоение меток: При обучении модели с несколькими выходными слоями возникает новая проблема: "Как назначить динамические цели для выходов разных ветвей?". Чтобы решить эту проблему, в YOLOv7 появился новый метод присвоения меток, который называется грубым и тонким присвоением меток.

3. Расширенное и составное масштабирование: В YOLOv7 предлагаются методы "расширенного" и "составного масштабирования" для детектора объектов в реальном времени, которые позволяют эффективно использовать параметры и вычисления.

4. Эффективность: Метод, предложенный YOLOv7, позволяет эффективно сократить около 40 % параметров и 50 % вычислений современного детектора объектов в реальном времени, а также имеет более высокую скорость вывода и точность обнаружения.

Примеры использования

На момент написания статьи Ultralytics не поддерживает модели YOLOv7. Поэтому все пользователи, заинтересованные в использовании YOLOv7, должны будут обратиться непосредственно к репозиторию YOLOv7 на GitHub за инструкциями по установке и использованию.

Вот краткий обзор типичных шагов, которые ты можешь предпринять, чтобы использовать YOLOv7:

1. Посети репозиторий YOLOv7 на GitHub: https://github.com/WongKinYiu/yolov7.

2. Для установки следуй инструкциям, приведенным в файле README. Обычно это включает в себя клонирование репозитория, установку необходимых зависимостей и настройку всех необходимых переменных окружения.

3. После завершения установки ты можешь обучать и использовать модель в соответствии с инструкциями по использованию, которые содержатся в репозитории. Обычно это включает в себя подготовку набора данных, настройку параметров модели, обучение модели, а затем использование обученной модели для обнаружения объектов.

Обрати внимание, что конкретные шаги могут отличаться в зависимости от твоего конкретного случая использования и текущего состояния репозитория YOLOv7. Поэтому настоятельно рекомендуется обращаться непосредственно к инструкциям, представленным в репозитории YOLOv7 на GitHub.

Мы сожалеем о возможных неудобствах и постараемся обновить этот документ примерами использования Ultralytics, как только поддержка YOLOv7 будет реализована.

Цитаты и благодарности

Мы хотели бы поблагодарить авторов YOLOv7 за их значительный вклад в область обнаружения объектов в реальном времени:

@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}
}

Оригинальную статью YOLOv7 можно найти на arXiv. Авторы сделали свою работу общедоступной, а кодовую базу можно найти на GitHub. Мы ценим их усилия, направленные на развитие области и обеспечение доступности их работы для широкого сообщества.

ВОПРОСЫ И ОТВЕТЫ

Что такое YOLOv7 и почему его считают прорывом в области обнаружения объектов в реальном времени?

YOLOv7 - это передовая модель обнаружения объектов в реальном времени, которая достигает непревзойденной скорости и точности. Она превосходит другие модели, такие как YOLOX, YOLOv5, и PPYOLOE, как по использованию параметров, так и по скорости вывода. К отличительным особенностям YOLOv7 относятся перепараметризация модели и динамическое присвоение меток, которые оптимизируют ее производительность без увеличения затрат на вывод. Более подробную техническую информацию о его архитектуре и сравнительные метрики с другими современными детекторами объектов можно найти в статье YOLOv7.

Как YOLOv7 улучшает предыдущие модели YOLO , такие как YOLOv4 и YOLOv5?

В YOLOv7 появилось несколько нововведений, включая перепараметризацию модели и динамическое присвоение меток, которые улучшают процесс обучения и повышают точность выводов. По сравнению с YOLOv5, YOLOv7 значительно повышает скорость и точность. Например, YOLOv7-X повышает точность на 2,2 % и сокращает параметры на 22 % по сравнению с YOLOv5-X. Подробные сравнения можно найти в таблице производительности YOLOv7 в сравнении с детекторами объектов SOTA.

Могу ли я использовать YOLOv7 с инструментами и платформами Ultralytics ?

На данный момент Ultralytics не поддерживает YOLOv7 напрямую в своих инструментах и платформах. Пользователям, заинтересованным в использовании YOLOv7, необходимо следовать инструкциям по установке и использованию, представленным в репозитории YOLOv7 на GitHub. Что касается других современных моделей, то ты можешь изучать и тренироваться с помощью инструментов Ultralytics , например Ultralytics HUB.

Как установить и запустить YOLOv7 для пользовательского проекта по обнаружению объектов?

Чтобы установить и запустить YOLOv7, выполни следующие шаги:

1. Клонируй репозиторий YOLOv7:

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

2. Перейди в клонированную директорию и установи зависимости:

   cd yolov7
   pip install -r requirements.txt
   

3. Подготовь свой набор данных и настрой параметры модели в соответствии с инструкциями по использованию, представленными в репозитории. Для получения дальнейших рекомендаций посети репозиторий YOLOv7 на GitHub, где ты найдешь самую свежую информацию и обновления.

Какие ключевые особенности и оптимизации появились в YOLOv7?

YOLOv7 предлагает несколько ключевых особенностей, которые революционизируют обнаружение объектов в реальном времени:

• Перепараметризация модели: Повышает производительность модели, оптимизируя пути распространения градиента.
• Динамическое назначение меток: Использует метод грубого и тонкого наведения для назначения динамических целей для выходов в разных ветках, что повышает точность.
• Расширенное и составное масштабирование: Эффективное использование параметров и вычислений позволяет масштабировать модель для различных приложений реального времени.
• Эффективность: Сокращение количества параметров на 40% и вычислений на 50% по сравнению с другими современными моделями, при этом достигается более высокая скорость вывода. Подробнее об этих особенностях читай в разделе " Обзор YOLOv7 ".

Комментарии