YOLOv7¶
YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
摘要¶
YOLOv7在5FPS到 160 FPS 范围内的速度和准确度都超过了所有已知的物体检测器，YOLOv7 在 5 FPS 到 160 FPS 范围内的速度和准确度都超过了所有已知的目标检测器，并且在 GPU V100 上 30 FPS 或更高的所有已知实时目标检测器中具有最高的准确度 56.8% AP。YOLOv7-E6 目标检测器（56 FPS V100，55.9% AP）比基于transformer-based的检测器 SWINL Cascade-Mask R-CNN（9.2 FPS A100，53.9% AP）的速度和准确度分别高出 509% 和 2%，以及基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度提高 551%，准确率提高 0.7%，以及 YOLOv7 的表现优于：YOLOR、YOLOX、Scaled-YOLOv4、YOLOv5、DETR、Deformable DETR , DINO-5scale-R50, ViT-Adapter-B 和许多其他物体探测器在速度和准确度上。 此外，我们只在 MS COCO 数据集上从头开始训练 YOLOv7，而不使用任何其他数据集或预训练的权重。
结果¶
使用图模式在 Ascend 910(8p) 上测试的表现
| Name | Scale | BatchSize | ImageSize | Dataset | Box mAP (%) | Params | Recipe | Download |
|---|---|---|---|---|---|---|---|---|
| YOLOv7 | Tiny | 16 * 8 | 640 | MS COCO 2017 | 37.5 | 6.2M | yaml | weights |
| YOLOv7 | L | 16 * 8 | 640 | MS COCO 2017 | 50.8 | 36.9M | yaml | weights |
| YOLOv7 | X | 12 * 8 | 640 | MS COCO 2017 | 52.4 | 71.3M | yaml | weights |
在Ascend 910*(8p)上测试的表现
| Name | Scale | BatchSize | ImageSize | Dataset | Box mAP (%) | ms/step | Params | Recipe | Download |
|---|---|---|---|---|---|---|---|---|---|
| YOLOv7 | Tiny | 16 * 8 | 640 | MS COCO 2017 | 37.5 | 496.21 | 6.2M | yaml | weights |
说明¶
- Context：训练上下文，表示为{设备}x{设备数}-{mindspore模式}，其中mindspore模式可以是G-图模式或F-pynative模式。例如，D910x8-G用于在8块Ascend 910 NPU上使用graph模式进行训练。
- Box mAP：验证集上测试出的准确度。
- 我们参考了常用的第三方 YOLOV7 重现了P5（大目标）系列模型，并做出了如下改动：与官方代码有所不同，我们使用了8x NPU(Ascend910)进行训练，tiny/l/x单NPU的batch size分别为16/16/12。
快速入门¶
详情请参阅 MindYOLO 中的 快速入门。
训练¶
- 分布式训练¶
使用预置的训练配方可以轻松重现报告的结果。如需在多台Ascend 910设备上进行分布式训练，请运行
# 在多台GPU/Ascend设备上进行分布式训练
msrun --worker_num=8 --local_worker_num=8 --bind_core=True --log_dir=./yolov7_log python train.py --config ./configs/yolov7/yolov7.yaml --device_target Ascend --is_parallel True
同样的，您可以使用上述msrun命令在多台GPU设备上训练模型。注意: 更多关于msrun配置的信息，请参考这里。
有关所有超参数的详细说明，请参阅config.py。
注意： 由于全局batch size（batch_size x 设备数）是一个重要的超参数，建议保持全局batch size不变进行复制，或者将学习率线性调整为新的全局batch size。
- 单卡训练¶
如果您想在较小的数据集上训练或微调模型而不进行分布式训练，请运行：
# 在 CPU/GPU/Ascend 设备上进行单卡训练
python train.py --config ./configs/yolov7/yolov7.yaml --device_target Ascend
验证和测试¶
要验证训练模型的准确性，您可以使用 test.py 并使用 --weight 传入权重路径。
python test.py --config ./configs/yolov7/yolov7.yaml --device_target Ascend --weight /PATH/TO/WEIGHT.ckpt
部署¶
详见 部署。
引用¶
[1] Chien-Yao Wang, Alexey Bochkovskiy, and HongYuan Mark Liao. Yolov7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv preprint arXiv:2207.02696, 2022.