美团刚刚发出yolov6,AB大神就带着yolov7来了。。。。。这速度是真快。。
在 5-160 FPS 范围内速度和精度超过所有已知目标检测器。
在 后不到两个星期,提出 YOLOv4 的团队就发布了更新一代的版本。
本周三,YOLOv7 的论文被提交到了预印版论文平台 arXiv 上,其三位作者 Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao 是 YOLOv4 的原班人马。
相对于其他类型的工具,YOLOv7-E6 目标检测器(56 FPS V100,55.9% AP)比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN(9.2 FPS A100,53.9% AP)速度上高出 509%,精度高出 2%,比基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度高出 551%,精度高出 0.7%。
此外, YOLOv7 的在速度和精度上的表现也优于 YOLOR、YOLOX、Scaled-YOLOv4、YOLOv5、DETR 等多种目标检测器。
YoloV6:
YoloV7得github
目录
接下来我们开始训练yolov7:
1、数据集
数据集得格式如下:
datasets---------------images:
train:.jpg
val: .jpg
labels:
train: .txt
val: .txt
train_list.txt
val_list.txt
labels/train/.txt如下:
train_list.txt----->图片得相对路径
2、文件配置
MyDataCoCo.yaml
3、训练
python train.py --weights weights/yolov7-tiny.pt --data data/MyDataCoCo.yaml --epochs 300 --batch-size 6 --img 640 640 --cfg cfg/training/yolov7-tiny.yaml --name yolov7-tiny --hyp data/hyp.scratch.p5.yaml --workers 0 --device 0
4、训练结果
他这个训练在最开始的时候,大概前20轮,map =0 或者 map = 4.99 e-11
5、测试
python detect.py --weights runs/train/yolov7-tiny2/weights/best.pt --source datasets/CiWaData/images/val/
6、相关问题
如果你遇到报什么libiomp5md.dll 错误,要么在train.py添加如下代码,要么删除你环境中其他得libiomp5md.dll
7、基于yolov7-d6训练
前面介绍了基于yolov7-tiny.pt训练的模型,现在我们介绍yolov7-d6.pt模型的训练。。。
下载yolov7_d6_training.pt
7.1 基于training的训练
训练命令
python train_aux.py --weights weights/yolov7-d6_training.pt --data data/MyDataCoCo.yaml --epochs 300 --batch-size 6 --img 640 640 --cfg cfg/training/yolov7-d6.yaml --name yolov7-d6 --hyp data/hyp.scratch.p5.yaml --workers 8 --device 0
训练结果。
测试命令:
python detect.py --weights runs/train/yolov7-d6/weights/best.pt --source datasets/CiWaData/images/val/
7.2 基于deploy训练
下载yolov7-d6.pt
这个只训练200轮次。。。只是为了快速训练得到结果
测试
python detect.py --weights runs/train/yolov7-d6/weights/best.pt --source datasets/CiWaData/images/val/
结果:
8、导出ONNX
YoloV7:基于自己训练的模型如何导出正确的ONNX_Mr曲末寒的博客-CSDN博客