YOLOv7：可训练的免费书包

YOLOv7 是最先进的实时物体检测器，在 5 FPS 到 160 FPS 的范围内，其速度和准确性都超过了所有已知的物体检测器。在所有已知的实时物体检测器中，YOLOv7 的准确率最高（56.8%AP），在GPU V100 上达到 30 FPS 或更高。此外，YOLOv7 在速度和准确性上都优于 YOLOR、YOLOX、Scaled-YOLOv4、YOLOv5 等其他物体检测器。该模型是在 MSCOCO 数据集上从头开始训练的，没有使用任何其他数据集或预先训练的权重。YOLOv7 的源代码可在 GitHub 上获取。

SOTA 目标检测器的比较

从YOLO 对比表中的结果可以看出，我们提出的方法在速度和精确度之间的权衡是最好的。如果将YOLOv7 与YOLOv5(r6.1) 进行比较，我们的方法在帧速率上要快 127 fps，在AP 上要精确 10.7%。此外，YOLOv7 在帧速率为 161 fps 时的AP 率为 51.4%，而 PPYOLOE-L 在相同AP 下的帧速率仅为 78 fps。在参数使用方面，YOLOv7 比 PPYOLOE-L 少 41%。

如果将推理速度为 114 fps 的YOLOv7 与推理速度为 99 fps 的YOLOv5(r6.1) 相比，YOLOv7 YOLOv7 可将AP 提高 3.9%。如果将YOLOv7 与类似规模的YOLOv5(r6.1) 相比，YOLOv7 的推理速度要快 31 fps。此外，在参数和计算量方面，YOLOv7 比YOLOv5(r6.1) 减少了 22% 的参数和 8% 的计算量，但AP 提高了 2.2%（资料来源）。

概述

实时物体检测是多物体跟踪、自动驾驶、机器人和医学图像分析等许多计算机视觉系统的重要组成部分。近年来，实时物体检测的发展主要集中在设计高效架构和提高各种 CPU、GPU 和神经处理单元（NPU）的推理速度上。YOLOv7 支持从边缘到云端的移动GPU 和GPU 设备。

传统的实时物体检测器侧重于结构优化，而YOLOv7 则不同，它侧重于训练过程的优化。其中包括一些模块和优化方法，目的是在不增加推理成本的情况下提高物体检测的准确性，这一概念被称为 "可训练的无用包"。

主要功能

YOLOv7 引入了几项关键功能：

1. 模型重新参数化：YOLOv7 提出了一种有计划的重参数化模型，这是一种适用于不同网络层的策略，具有梯度传播路径的概念。

2. 动态标签分配：多输出层模型的训练提出了一个新问题："如何为不同分支的输出分配动态目标？为了解决这个问题，YOLOv7 引入了一种新的标签分配方法，即从粗到细的引导标签分配法。

3. 扩展和复合缩放 YOLOv7 为实时对象检测器提出了 "扩展 "和 "复合缩放 "方法，可有效利用参数和计算。

4. 效率：YOLOv7 提出的方法能有效减少最先进的实时物体检测器约 40% 的参数和 50% 的计算量，推理速度更快，检测精度更高。

使用示例

截至本文撰写之时，Ultralytics 仅支持YOLOv7 的ONNX 和TensorRT 推断。

ONNX 导出

在Ultralytics 中使用YOLOv7 ONNX 模型：

1. （可选）安装 Ultralytics 并导出 ONNX 模型以自动安装所需的依赖项：

   pip install ultralytics
   yolo export model=yolo11n.pt format=onnx
   

2. 使用YOLOv7 软件包中的导出器导出所需的YOLOv7 模型：

   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. 使用以下脚本修改 ONNX 模型图，使其与 Ultralytics 兼容：

   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. 然后，您可以加载修改后的 ONNX 模型，并在 Ultralytics 中正常运行推理：

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

TensorRT 导出

1. 按照ONNX 导出部分中的步骤 1-2 操作。

2. 使用 pip 安装 TensorRT Python包：

   pip install tensorrt
   

3. 运行以下脚本以将修改后的 ONNX 模型转换为 TensorRT 引擎：

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

4. 在 Ultralytics 中加载并运行模型：

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

引用和致谢

我们衷心感谢YOLOv7 作者在实时物体检测领域做出的重大贡献：

@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}
}

YOLOv7 的原始论文可在arXiv 上找到。作者公开了他们的工作，代码库可以在GitHub 上访问。我们感谢他们为推动这一领域的发展和让更多人了解他们的工作所做的努力。

常见问题

什么是YOLOv7 ，为什么它被认为是实时物体检测领域的一项突破？

YOLOv7 是一种先进的实时物体检测模型，其速度和准确性无与伦比。它在参数使用和推理速度方面都超过了 YOLOX、YOLOv5 和 PPYOLOE 等其他模型。YOLOv7 的显著特点包括模型重参数化和动态标签分配，在不增加推理成本的情况下优化了性能。有关YOLOv7 结构的更多技术细节以及与其他先进物体检测器的比较指标，请参阅YOLOv7 论文。

YOLOv7 与之前的YOLO 型号（如 YOLOv4 和YOLOv5）相比有何改进？

YOLOv7 引入了多项创新，包括模型重参数化和动态标签分配，从而增强了训练过程并提高了推理的准确性。与YOLOv5 相比，YOLOv7 显著提高了速度和准确性。例如，YOLOv7 与YOLOv5 相比，准确率提高了 2.2%，参数减少了 22%。详细比较见性能表YOLOv7 与 SOTA 物体探测器的比较。

我可以将YOLOv7 与Ultralytics 工具和平台一起使用吗？

目前，Ultralytics 只支持YOLOv7 ONNX 和TensorRT 推断。要使用Ultralytics 运行YOLOv7 的ONNX 和TensorRT 导出版本，请查看 "使用示例"部分。

如何使用我的数据集训练自定义YOLOv7 模型？

要安装和训练自定义YOLOv7 模型，请按照以下步骤操作：

1. 克隆YOLOv7 版本库：

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

2. 导航到克隆的目录并安装依赖项：

   cd yolov7
   pip install -r requirements.txt
   

3. 根据资源库中提供的使用说明准备数据集和配置模型参数。如需进一步指导，请访问YOLOv7 GitHub 代码库获取最新信息和更新。

4. 训练后，您可以将模型导出到 ONNX 或 TensorRT，以便在 Ultralytics 中使用，如使用示例中所示。

YOLOv7 中引入了哪些主要功能和优化？

YOLOv7 提供了几项关键功能，彻底改变了实时目标检测：

• 模型重参数化: 通过优化梯度传播路径来增强模型的性能。
• 动态标签分配: 使用由粗到细的引导方法为不同分支的输出分配动态目标，从而提高准确性。
• 扩展和复合缩放: 有效地利用参数和计算来扩展模型，以适应各种实时应用。
• 效率: 与其他最先进的模型相比，参数数量减少了 40%，计算量减少了 50%，同时实现了更快的推理速度。

有关这些功能的更多详情，请参阅YOLOv7 概述部分。

📅 2 年前创建 ✏️ 1 个月前更新

评论