由于其他人在我们之后创建了另一个YOLOv7,我们不希望让人们搞砸其中的2个,我们也不想追逐无意义的AP号码作为噱头。因此,我们计划将YOLOv7的进一步发展转移到新的地方 - >YOLOvn链接。新名作将永续发展!!这些未完成的 PR 将合并,然后开始迁移。感谢大家的贡献!同样,新的框架不仅用于重新实现SOTA模型,还用于探索新的模型设计,我们不仅要探索检测,还要探索多任务和新的变压器拱设计。
简而言之:YOLOv7在YOLO架构中添加了实例分割。还有许多变压器骨干,包括拱门。如果你仔细观察,你会发现我们的最终愿景是通过变压器的力量以及多任务培训使YOLO再次伟大。YOLOv7实现了mAP 43,AP-s通过对流微小的主干比MaskRCNN高出10倍,而与YOLOX-s的速度相似,下面列出的更多型号,它更准确,更轻!
需要 GPU 资源!yolov7下一个版本即将推出,但是,我没有足够的GPU来训练每个人的预训练模型,如果你有GPU,请发起讨论并ping我,我将指导训练新模型。
YOLOv7 v2.0 即将发布!我们将发布我们的Convext-tiny YOLO arch模型,以非常低的延迟实现mAP 43.9!功能将包含在下一个版本中:
有关更多详细信息,请参阅阅读文档。
只需分叉和星星!,一旦我们发布新版本,你将被注意到!
detectron2
实现的 yolo 变体。但请注意,YOLOv7并不意味着是yolo家族的继承者,7只是一个神奇而幸运的数字。相反,YOLOv7将yolo扩展到许多其他视觉任务中,例如实例分割,单级关键点检测等。
YOLOv7 中支持的矩阵有:
⚠️ 重要提示:Github上的YOLOv7不是最新版本,许多功能都是闭源的,但你可以从 https://manaai.cn
功能已准备就绪,但尚未开源:
如果你想获得完整版YOLOv7,请成为贡献者或从 https://manaai.cn 获取。
SparseInst
如果你有空闲时间或者你有GPU卡,那就帮助YOLOv7变得更强吧!以下是贡献的指导:
索赔任务
:我有一些想法,但没有足够的时间去做,如果你想实现它,要求任务,我会给你详细的建议,关于如何做,你可以从中学到很多东西;测试mAP
:当你完成新想法的实现时,创建一个线程来报告实验mAP,如果它有效,然后合并到我们的主分支中;拉取请求
:YOLOv7是开放的,总是跟踪SOTA和轻量级模型,如果一个模型有用,我们会合并并部署它,分发给所有想尝试的用户。以下是一些需要声明的任务:
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!
YOLOv7 实例 | 人脸与检测 |
---|---|
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):
如果你使用较低版本的 PyTorch ,onnx 导出可能无法按预期工作。
YOLOv7的一些亮点是:
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!
型 | 骨干 | 输入 | 八月 | AP值 | 美联社 | 转数快 | 权重 |
---|---|---|---|---|---|---|---|
稀疏的Inst | R-50型 | 640 | ✘ | 32.8 | - | 44.3 | 型 |
稀疏的Inst | R-50-vd | 640 | ✘ | 34.1 | - | 42.6 | 型 |
SparseInst (G-IAM) | R-50型 | 608 | ✘ | 33.4 | - | 44.6 | 型 |
SparseInst (G-IAM) | R-50型 | 608 | ✓ | 34.2 | 34.7 | 44.6 | 型 |
SparseInst (G-IAM) | R-50-断续器 | 608 | ✓ | 36.4 | 36.8 | 41.6 | 型 |
SparseInst (G-IAM) | R-50-vd | 608 | ✓ | 35.6 | 36.1 | 42.8 | 型 |
SparseInst (G-IAM) | R-50-vd-DCN | 608 | ✓ | 37.4 | 37.9 | 40.0 | 型 |
SparseInst (G-IAM) | R-50-vd-DCN | 640 | ✓ | 37.7 | 38.1 | 39.3 | 型 |
稀疏因斯特 Int8 onnx | 谷歌驱动器 |
型 | 骨干 | 输入 | 八月 | 美联社 | 亚太50 | 接入点 | 转数快 | 权重 |
---|---|---|---|---|---|---|---|---|
YoloFormer-Convnext-tiny | Convnext-tiny | 800 | ✓ | 43 | 63.7 | 26.5 | 39.3 | 型 |
YOLOX-s | - | 800 | ✓ | 40.5 | - | - | 39.3 | 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。
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
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
如果要在自己的数据集上进行训练,则必须遵循一些规则:
tools/compute_anchors.py
在向我提出任何问题之前,请确保你已经阅读了规则。
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
AnchorDETR:
anchorDETR还支持训练和导出到ONNX。
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
以下是与其他软件包的专用性能比较。
待定。
configs/wearmask
图像 | 检测 |
---|---|
微信 | 在线客服 |
---|---|
网格掩码 | 马赛克 |
---|---|
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。