yolo模型介绍（Yolov7模型训练与部署）

背景

在工业上使用较多的基于深度学习从目标检测算法    
    
    
，那毫无疑问应该是yolo  


     


     


 ，凭借这效率和精度方面的优势


 




 




 ，在一众深度学习目标检测算法中脱颖而出    
    
    
。目前最新的版本是yoloV7   

   

   

，根据yoloV7论文中描述：

YOLOv7 surpasses all known object detectors in both speed and accuracy in the range from 5 FPS to 160 FPS and has the highest accuracy 56.8% AP among all known real-time object detectors with 30 FPS or higher on GPU V100. YOLOv7-E6 object detector (56 FPS V100, 55.9% AP) outperforms both transformer-based detector SWIN L Cascade-Mask R-CNN (9.2 FPS A100, 53.9% AP) by 509% in speed and 2% in accuracy, and convolutional based detector ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) by 551% in speed and 0.7% AP in accuracy, as well as YOLOv7 outperforms: YOLOR, YOLOX, Scaled-YOLOv4, YOLOv5, DETR, Deformable DETR, DINO-5scale-R50, ViT-Adapter-B and many other object detectors in speed and accuracy. Moreover, we train YOLOv7 only on MS COCO dataset from scratch without using any other datasets or pre-trained weights

已知对象检测算法中获得了最高的精度   

     

     

，达到了 56.8% 的平均精度（AP）



  




  




  ，并且效率远超基于transformer（transformer-based）和基于卷积（convolutional-based）的模型  


     


     


 。并且训练只使用了coco数据集  


  


  

，没有任何预训练权重


 




 




 。

今天试着下载看了下    
     
     
，发现文档说明齐全   

   

   

。今天大概花了一天时间




   




   




  ，完成了从配环境 



 



 

，准备数据集               ，训练模型到tensorRT部署等多个步骤   

     

     

。

也得益于之前用过yolov3




    




    




  ，对深度学习这一套流程比较熟悉



  




  




  。平时也有点工程经验












，遇到的坑几乎网上一查或者仔细一琢磨               ，基本就解决了  


  


  

。接下来就对这一过程做个记录    
     
     
。

参考资料：

YOLOV7论文地址：https://arxiv.org/pdf/2207.02696.pdf

YOLOV7源码地址：https://github.com/WongKinYiu/yolov7

YOLO进化史：https://zhuanlan.zhihu.com/p/539932517

YOLOV7 tensorRT部署：https://zhuanlan.zhihu.com/p/556570703

源码下载

从github克隆代码：https://github.com/WongKinYiu/yolov7

环境配置

这是一个python工程 



     



     



  ，推荐使用PyCharm




   




   




  。

笔者使用的是Windows系统












，如果不用conda的话    
    
    
，只能使用PyCharm提供的虚拟环境功能  


     


     


 ，在工程下新建一个python环境


 




 




 ，这个环境不会影响别的工程 



 



 

。Pycharm会识别requirements.txt中需要的包   

   

   

，自动提示你安装               。

这里的torch需要注意   

     

     

，如果使用默认的requirements.txt中版本



  




  




  ，可能GPU不会启用  


  


  

，表现就是：

import torch torch.cuda.is_available() #返回值为false

因此要自行安装    
     
     
，按照自己的环境




   




   




  ，选择装不同的版本 



 



 

，pytorch官网提供了一个便捷的工具来生成安装指令




    




    




  。

https://pytorch.org/get-started/locally/

这里笔者的环境供参考：

cuda：10.2

cudnn：8.2.2.26

TensorRT：8.2.2.1

这些版本一定要匹配               ，笔者在这儿踩过坑




    




    




  ，把cuda重新安装了一遍












，又下载了好几版的cudnn和tensorRT才测试成功












。

测试数据集准备

yolov7测试数据集是coco               ，因此下载了coco val2017数据集 



     



     



  ，train2017暂时没有下载               。

在data/coco.yaml文件中：

# download command/URL (optional) download: bash ./scripts/get_coco.sh

可以看到提供了一个下载coco的脚本












，但只能在Linux下跑    
    
    
，Windows下需要自己下载 



     



     



  。

val2017就够了  


     


     


 ，要自己训练的话


 




 




 ，可以下载train2017   

   

   

，可以看到笔者也在下载train2017












。

同样在data/coco.yaml中   

     

     

，设置文件路径

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/] train: H:/baiduyundownloads/coco2017/train2017.txt # 118287 images val: H:/baiduyundownloads/coco2017/val2017.txt # 5000 images test: H:/baiduyundownloads/coco2017/test-dev2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

精度测试

然后可以运行

python test.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.65 --device 0 --weights yolov7.pt --name yolov7_640_val

在run/test/yolov7目录下



  




  




  ，可以看到confusion_matrix    
    
    
。

训练模型

python train.py --workers 8 --device 0 --batch-size 32 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights --name yolov7 --hyp data/hyp.scratch.p5.yaml

模型训练可以从零开始  


  


  

，也可以在预训练权重上使用自己的数据集  


     


     


 。这一步笔者没有实际执行


 




 




 。

模型导出为onnx

python export.py --weights ./yolov7-tiny.pt --dynamic-batch --grid --simplify --topk-all 100 --iou-thres 0.65 --conf-thres 0.35 --img-size 640 640

这一步不跟着Readme    
     
     
，去掉命令中的end2end




   




   




  ，加入dynamic-batch   

   

   

。

这里选择yolov7-tiny模型 



 



 

，执行命令后               ，生成yolov7-tiny.onnx   

     

     

。

tensorRT部署

使用这个仓库

https://github.com/shouxieai/tensorRT_Pro

下的tensorRT_Pro/example-simple_yolo/目录中的工程




    




    




  ，可以将.onnx模型转为.trtmodel模型



  




  




  。

然后可以用这个模型












，在c++端进行推理：

推理结果写到文件：