以下是一些需要声明的任务：

• [ ] VAN： Visual Attention Network， paper， VAN-Segmentation， 它比 Swin 和 PVT 以及 DeiT 更好：
  • [ ] D2 VAN 骨干集成;
  • [ ] 使用YOLOv7拱门进行测试;
• [ ] ViDet：代码，这提供了一个基于变压器的实时探测器，Swin-Nano mAP：40，而20 FPS，它可以集成到YOLOv7中;
  • [ ] 集成到 D2 主干网中，删除 MSAtten deps;
  • [ ] 使用YOLOv7或DETR拱门进行测试;
• [ ] DINO：2022年coco的最高水平为63.3mAP。https://github.com/IDEACVR/DINO
  • [ ] 正在等待 DINO 开源代码。
• [x] ConvNext：https://github.com/facebookresearch/ConvNeXt，组合卷积和转换器。
• [ ] NASVit： https://github.com/facebookresearch/NASViT
• [ ] 移动版：https://github.com/apple/ml-cvnets/blob/main/cvnets/models/classification/mobilevit.py
• [ ] DAB-DETR： https://github.com/IDEA-opensource/DAB-DETR， WIP
• [ ] DN-DETR： https://github.com/IDEA-opensource/DN-DETR
• [ ] https://github.com/jahongir7174/EfficientNetV2

只需加入我们的内部贡献者计划，你就可以通过你的贡献分享我们的最新代码！

💁‍♂️结果

YOLOv7 实例	人脸与检测

🧑‍🦯安装 && 快速入门

• 请参阅 docs/install.md

特殊要求（其他版本也可能有效，但这些版本经过测试，具有最佳性能，包括ONNX导出最佳支持）：

• PyTorch 1.11 （稳定版）
• onnx
• onnx-simplifier 0.3.7
• 阿尔弗雷德-派最新
• detectron2 最新

如果你使用较低版本的 PyTorch ，onnx 导出可能无法按预期工作。

🤔特征

YOLOv7的一些亮点是：

• 基于 detectron2 的简单标准训练框架，适用于任何检测和实例分割任务;
• 支持DETR和许多基于变压器的开箱即用检测框架;
• 支持易于部署的管道思想 onnx。
• 这是唯一支持YOLOv4 + 实例分段的单阶段样式框架;
• 轻松插入基于变压器的探测器;

如果你对此项目有任何进一步的发展，我们强烈建议你发送PR，开源的唯一原因只是为了利用社区力量使其更强大，更进一步。非常欢迎任何人在任何功能上做出贡献！

🧙‍♂️预训练模型

🧙‍♂️在 YOLOv7 中训练的模型

注意：我们在这里发布AP-s，因为我们想知道小对象在相关模型中的性能如何，对于基于变压器骨干的模型，小AP明显更高！上述模型中的一些可能没有开源，但我们提供了权重。

🥰演示

运行一个快速演示，如下所示：

python3 demo.py --config-file configs/wearmask/darknet53.yaml --input ./datasets/wearmask/images/val2017 --opts MODEL.WEIGHTS output/model_0009999.pth

运行快速演示以上传和探索使用权重和偏差的YOLOv7预测。有关示例，请参阅此处

python3 demo.py --config-file configs/wearmask/darknet53.yaml --input ./datasets/wearmask/images/val2017 --wandb-entity <your-username/team> --wandb-project <project-name> --opts MODEL.WEIGHTS output/model_0009999.pth

Run SparseInst：

python demo.py --config-file configs/coco/sparseinst/sparse_inst_r50vd_giam_aug.yaml --video-input ~/Movies/Videos/86277963_nb2-1-80.flv -c 0.4 --opts MODEL.WEIGHTS weights/sparse_inst_r50vd_giam_aug_8bc5b3.pth

基于 detectron2 新引入的 LazyConfig 系统的更新，使用 LazyConfig 模型运行，使用：

python3 demo_lazyconfig.py --config-file configs/new_baselines/panoptic_fpn_regnetx_0.4g.py --opts train.init_checkpoint=output/model_0004999.pth

😎火车

对于训练，非常简单，与 detectron2 相同：

python train_net.py --config-file configs/coco/darknet53.yaml --num-gpus 8

如果你想训练YOLOX，你可以使用配置文件。所有支撑拱是：

configs/coco/yolox_s.yaml

• YOLOX：锚免费YOLO;
• YOLOv7：传统的yolo带有一些探索，主要集中在损失实验上;
• YOLOv7P：传统的YOLO与YOLOX的体面拱门合并;
• YOLOMask：arch同时做检测和分割（待定）;
• YOLOInsSeg：基于YOLO检测（待定）的实例分割;

😎规则

如果要在自己的数据集上进行训练，则必须遵循一些规则：

• 规则1：始终在数据集上设置自己的锚点，使用，这也适用于任何其他基于锚点的检测方法（EfficientDet等）;

  tools/compute_anchors.py

• 规则2：对你的损失保持信心最终会下降，如果没有，请深入挖掘找出原因（但不要发布重复导致我可能也不知道的问题）。
• 规则3：没有人会告诉你，但它是真实的：不要轻易改变骨干，整个参数加上你的骨干，不要认为它像你认为的那样简单，而且深度学习工程师也不是你想象的那么容易，整个知识就像海洋一样，你的知识只是一小滴水......
• 规则4：基于transoformer的主干必须使用预训练权重，否则你的损失会凸显;

在向我提出任何问题之前，请确保你已经阅读了规则。

🔨Export ONNX && TensorRTT && TVM

1. detr

   :

python export.py --config-file detr/config/file

这项工作已经完成，推理脚本包含在里面。

tools

2. AnchorDETR

   :

anchorDETR还支持训练和导出到ONNX。

3. SparseInst

   ：稀疏已经支持导出到onnx！！

python export.py --config-file configs/coco/sparseinst/sparse_inst_r50_giam_aug.yaml --video-input ~/Videos/a.flv  --opts MODEL.WEIGHTS weights/sparse_inst_r50_giam_aug_2b7d68.pth INPUT.MIN_SIZE_TEST 512

如果你使用的是 CPU 设备，请使用：

python export.py --config-file configs/coco/sparseinst/sparse_inst_r50_giam_aug.yaml --input images/COCO_val2014_000000002153.jpg --verbose  --opts MODEL.WEIGHTS weights/sparse_inst_r50_giam_aug_2b7d68.pth MODEL.DEVICE 'cpu'

然后你可以生成，这个onnx可以使用ORT进行推理，而没有任何不受支持的操作。

weights/sparse_inst_r50_giam_aug_2b7d68_sim.onnx

🤒️性能

以下是与其他软件包的专用性能比较。

待定。

🪜支持一些微小的对象数据集

• 戴面具：支持VOC，Yolo，coco 3格式。你可以在此处使用可可格式。下载自： 链接： https://pan.baidu.com/s/1ozAgUFLqfTXLp-iOecddqQ 提取码： xgep .用于训练此数据集。

  configs/wearmask

• 更多：去。

👋检测结果

图像	检测

😯迪库森集团

微信	在线客服

• 如果微信过期，请通过github问题与我联系更新。组进行一般性讨论，不仅为yolov7。

🀄️一些 Exp 可视化

网格掩码	马赛克

©️许可证

代码在 GPL 许可证下发布。请在将更改公开或商业用途之前将请求拉取到此源存储库。金磊保留所有权利。