─░├žeri─če ge├ž

YOLOv7: E─čitilebilir ├ťcretsiz ├çantalar

YOLOv7, 5 FPS ila 160 FPS aral─▒─č─▒nda hem h─▒z hem de do─čruluk a├ž─▒s─▒ndan bilinen t├╝m nesne dedekt├Ârlerini geride b─▒rakan son teknoloji ├╝r├╝n├╝ bir ger├žek zamanl─▒ nesne dedekt├Âr├╝d├╝r. GPU V100'de 30 FPS veya daha y├╝ksek h─▒zda bilinen t├╝m ger├žek zamanl─▒ nesne dedekt├Ârleri aras─▒nda en y├╝ksek do─črulu─ča (%56,8 AP) sahiptir. Ayr─▒ca, YOLOv7, YOLOR, YOLOX, Scaled-YOLOv4, YOLOv5 ve di─čerleri gibi di─čer nesne dedekt├Ârlerinden h─▒z ve do─čruluk a├ž─▒s─▒ndan daha iyi performans g├Âsterir. Model, ba┼čka veri k├╝meleri veya ├Ânceden e─čitilmi┼č a─č─▒rl─▒klar kullan─▒lmadan s─▒f─▒rdan MS COCO veri k├╝mesi ├╝zerinde e─čitilmi┼čtir. YOLOv7 i├žin kaynak kodu GitHub'da mevcuttur.

YOLOv7 ile SOTA nesne dedekt├Ârlerinin kar┼č─▒la┼čt─▒r─▒lmas─▒ Son teknoloji nesne dedekt├Ârlerinin kar┼č─▒la┼čt─▒r─▒lmas─▒. Tablo 2'deki sonu├žlardan, ├Ânerilen y├Ântemin kapsaml─▒ olarak en iyi h─▒z-do─čruluk dengesine sahip oldu─čunu biliyoruz. YOLOv7-tiny-SiLU'yu YOLOv5-N (r6.1) ile kar┼č─▒la┼čt─▒r─▒rsak, y├Ântemimizin 127 fps daha h─▒zl─▒ ve AP'de %10,7 daha do─čru oldu─čunu g├Âr├╝r├╝z. Buna ek olarak, YOLOv7 161 fps kare h─▒z─▒nda %51,4 AP'ye sahipken, ayn─▒ AP'ye sahip PPYOLOE-L sadece 78 fps kare h─▒z─▒na sahiptir. Parametre kullan─▒m─▒ a├ž─▒s─▒ndan YOLOv7, PPYOLOE-L'den %41 daha azd─▒r. 114 fps ├ž─▒kar─▒m h─▒z─▒na sahip YOLOv7-X'i 99 fps ├ž─▒kar─▒m h─▒z─▒na sahip YOLOv5-L (r6.1) ile kar┼č─▒la┼čt─▒r─▒rsak, YOLOv7-X AP'yi %3,9 oran─▒nda iyile┼čtirebilir. YOLOv7-X, benzer ├Âl├žekteki YOLOv5-X (r6.1) ile kar┼č─▒la┼čt─▒r─▒l─▒rsa, YOLOv7-X'in ├ž─▒kar─▒m h─▒z─▒ 31 fps daha h─▒zl─▒d─▒r. Ayr─▒ca, parametre ve hesaplama miktar─▒ a├ž─▒s─▒ndan YOLOv7-X, YOLOv5-X (r6.1) ile kar┼č─▒la┼čt─▒r─▒ld─▒─č─▒nda parametreleri %22 ve hesaplamay─▒ %8 oran─▒nda azalt─▒rken AP'yi %2,2 oran─▒nda iyile┼čtirmektedir (Kaynak).

Genel Bak─▒┼č

Ger├žek zamanl─▒ nesne alg─▒lama, ├žoklu nesne takibi, otonom s├╝r├╝┼č, robotik ve t─▒bbi g├Âr├╝nt├╝ analizi dahil olmak ├╝zere bir├žok bilgisayarla g├Ârme sisteminde ├Ânemli bir bile┼čendir. Son y─▒llarda, ger├žek zamanl─▒ nesne alg─▒lama geli┼čimi, verimli mimariler tasarlamaya ve ├že┼čitli CPU'lar─▒n, GPU'lar─▒n ve sinir i┼čleme birimlerinin (NPU'lar) ├ž─▒kar─▒m h─▒z─▒n─▒ art─▒rmaya odaklanm─▒┼čt─▒r. YOLOv7, u├žtan buluta kadar hem mobil GPU hem de GPU cihazlar─▒n─▒ destekler.

Mimari optimizasyonuna odaklanan geleneksel ger├žek zamanl─▒ nesne dedekt├Ârlerinin aksine, YOLOv7 e─čitim s├╝recinin optimizasyonuna odaklanmaktad─▒r. Bu, "e─čitilebilir ├╝cretsiz torba" olarak bilinen bir kavram olan ├ž─▒kar─▒m maliyetini art─▒rmadan nesne alg─▒lama do─črulu─čunu art─▒rmak i├žin tasarlanm─▒┼č mod├╝lleri ve optimizasyon y├Ântemlerini i├žerir.

Temel ├ľzellikler

YOLOv7 birka├ž temel ├Âzellik sunuyor:

  1. Model Yeniden Parametrelendirme: YOLOv7, gradyan yay─▒l─▒m yolu kavram─▒ ile farkl─▒ a─člardaki katmanlara uygulanabilen bir strateji olan planl─▒ bir yeniden parametreli model ├Ânermektedir.

  2. Dinamik Etiket Atamas─▒: Birden fazla ├ž─▒kt─▒ katman─▒na sahip modelin e─čitimi yeni bir sorun ortaya ├ž─▒karmaktad─▒r: "Farkl─▒ dallar─▒n ├ž─▒kt─▒lar─▒ i├žin dinamik hedefler nas─▒l atan─▒r?" Bu sorunu ├ž├Âzmek i├žin YOLOv7, kabadan inceye k─▒lavuzlu etiket atamas─▒ ad─▒ verilen yeni bir etiket atama y├Ântemi sunmaktad─▒r.

  3. Geni┼čletilmi┼č ve Bile┼čik ├ľl├žeklendirme: YOLOv7, ger├žek zamanl─▒ nesne dedekt├Âr├╝ i├žin parametreleri ve hesaplamay─▒ etkin bir ┼čekilde kullanabilen "geni┼čletme" ve "bile┼čik ├Âl├žeklendirme" y├Ântemleri ├Ânermektedir.

  4. Verimlilik: YOLOv7 taraf─▒ndan ├Ânerilen y├Ântem, son teknoloji ├╝r├╝n├╝ ger├žek zamanl─▒ nesne dedekt├Âr├╝n├╝n yakla┼č─▒k %40 parametresini ve %50 hesaplamas─▒n─▒ etkili bir ┼čekilde azaltabilir ve daha h─▒zl─▒ ├ž─▒kar─▒m h─▒z─▒na ve daha y├╝ksek tespit do─črulu─čuna sahiptir.

Kullan─▒m ├ľrnekleri

Yaz─▒n─▒n yaz─▒ld─▒─č─▒ tarih itibariyle Ultralytics ┼ču anda YOLOv7 modellerini desteklememektedir. Bu nedenle, YOLOv7'yi kullanmak isteyen t├╝m kullan─▒c─▒lar─▒n kurulum ve kullan─▒m talimatlar─▒ i├žin do─črudan YOLOv7 GitHub deposuna ba┼čvurmalar─▒ gerekecektir.

─░┼čte YOLOv7'yi kullanmak i├žin atabilece─činiz tipik ad─▒mlara k─▒sa bir genel bak─▒┼č:

  1. YOLOv7 GitHub deposunu ziyaret edin: https://github.com/WongKinYiu/yolov7.

  2. Kurulum i├žin README dosyas─▒nda verilen talimatlar─▒ izleyin. Bu genellikle deponun klonlanmas─▒n─▒, gerekli ba─č─▒ml─▒l─▒klar─▒n kurulmas─▒n─▒ ve gerekli ortam de─či┼čkenlerinin ayarlanmas─▒n─▒ i├žerir.

  3. Kurulum tamamland─▒ktan sonra, depoda sa─članan kullan─▒m talimatlar─▒na g├Âre modeli e─čitebilir ve kullanabilirsiniz. Bu genellikle veri setinizi haz─▒rlamay─▒, model parametrelerini yap─▒land─▒rmay─▒, modeli e─čitmeyi ve ard─▒ndan nesne alg─▒lama ger├žekle┼čtirmek i├žin e─čitilmi┼č modeli kullanmay─▒ i├žerir.

L├╝tfen belirli ad─▒mlar─▒n ├Âzel kullan─▒m durumunuza ve YOLOv7 deposunun mevcut durumuna ba─čl─▒ olarak de─či┼čebilece─čini unutmay─▒n. Bu nedenle, do─črudan YOLOv7 GitHub deposunda sa─članan talimatlara ba┼čvurman─▒z ┼čiddetle tavsiye edilir.

Bunun neden olabilece─či her t├╝rl├╝ rahats─▒zl─▒ktan dolay─▒ ├╝zg├╝n├╝z ve YOLOv7 deste─či uyguland─▒─č─▒nda bu belgeyi Ultralytics i├žin kullan─▒m ├Ârnekleriyle g├╝ncellemeye ├žal─▒┼čaca─č─▒z.

At─▒flar ve Te┼čekk├╝r

YOLOv7 yazarlar─▒na ger├žek zamanl─▒ nesne alg─▒lama alan─▒ndaki ├Ânemli katk─▒lar─▒ndan dolay─▒ te┼čekk├╝r ederiz:

@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}
}

Orijinal YOLOv7 makalesi arXiv'de bulunabilir. Yazarlar ├žal─▒┼čmalar─▒n─▒ kamuya a├ž─▒k hale getirmi┼člerdir ve kod taban─▒na GitHub ├╝zerinden eri┼čilebilir. Alan─▒ ilerletme ve ├žal─▒┼čmalar─▒n─▒ daha geni┼č bir topluluk i├žin eri┼čilebilir hale getirme ├žabalar─▒n─▒ takdir ediyoruz.



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (6), sergiuwaxmann (1)

Yorumlar