专业网站建设平台,男生做网站运营的前景,建设网站方法有哪些,官方网站案例1.识别效果展示 2.视频演示
[YOLOv7]基于YOLOv7的犬只牵绳检测系统(源码#xff06;部署教程)_哔哩哔哩_bilibili
3.YOLOv7算法简介
YOLOv7 在 5 FPS 到 160 FPS 范围内#xff0c;速度和精度都超过了所有已知的目标检测器
并在 V100 上#xff0c;30 FPS 的情况下达到实…1.识别效果展示 2.视频演示
[YOLOv7]基于YOLOv7的犬只牵绳检测系统(源码部署教程)_哔哩哔哩_bilibili
3.YOLOv7算法简介
YOLOv7 在 5 FPS 到 160 FPS 范围内速度和精度都超过了所有已知的目标检测器
并在 V100 上30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。YOLOv7 是在 MS COCO 数据集上从头开始训练的不使用任何其他数据集或预训练权重。 相对于其他类型的工具YOLOv7-E6 目标检测器56 FPS V10055.9% AP比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN9.2 FPS A10053.9% 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。
4.YOLOv7 技术方法
近年来实时目标检测器仍在针对不同的边缘设备进行开发。例如MCUNet 和 NanoDet 的开发专注于生产低功耗单芯片并提高边缘 CPU 的推理速度YOLOX、YOLOR 等方法专注于提高各种 GPU 的推理速度实时目标检测器的发展集中在高效架构的设计上在 CPU 上使用的实时目标检测器的设计主要基于 MobileNet、ShuffleNet 或 GhostNet为 GPU 开发的实时目标检测器则大多使用 ResNet、DarkNet 或 DLA并使用 CSPNet 策略来优化架构。
YOLOv7 的发展方向与当前主流的实时目标检测器不同研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外该研究提出的方法还专注于训练过程的优化将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性但不会增加推理成本。研究者将提出的模块和优化方法称为可训练的「bag-of-freebies」。
对于模型重参数化该研究使用梯度传播路径的概念分析了适用于不同网络层的模型重参数化策略并提出了有计划的重参数化模型。此外研究者发现使用动态标签分配技术时具有多个输出层的模型在训练时会产生新的问题「如何为不同分支的输出分配动态目标」针对这个问题研究者提出了一种新的标签分配方法称为从粗粒度到细粒度coarse-to-fine的引导式标签分配。
该研究的主要贡献包括
(1) 设计了几种可训练的 bag-of-freebies 方法使得实时目标检测可以在不增加推理成本的情况下大大提高检测精度
(2) 对于目标检测方法的演进研究者发现了两个新问题一是重参数化的模块如何替换原始模块二是动态标签分配策略如何处理分配给不同输出层的问题并提出了解决这两个问题的方法
(3) 提出了实时目标检测器的「扩充extend」和「复合扩展compound scale」方法以有效地利用参数和计算
(4) 该研究提出的方法可以有效减少 SOTA 实时目标检测器约 40% 的参数和 50% 的计算量并具有更快的推理速度和更高的检测精度。
在大多数关于设计高效架构的文献中人们主要考虑的因素包括参数的数量、计算量和计算密度。下图 2b中 CSPVoVNet 的设计是 VoVNet 的变体。CSPVoVNet 的架构分析了梯度路径以使不同层的权重能够学习更多不同的特征使推理更快、更准确。图 2 © 中的 ELAN 则考虑了「如何设计一个高效网络」的问题。
YOLOv7 研究团队提出了基于 ELAN 的扩展 E-ELAN其主要架构如图所示。 新的 E-ELAN 完全没有改变原有架构的梯度传输路径其中使用组卷积来增加添加特征的基数cardinality并以 shuffle 和 merge cardinality 的方式组合不同组的特征。这种操作方式可以增强不同特征图学得的特征改进参数的使用和计算效率。
无论梯度路径长度和大规模 ELAN 中计算块的堆叠数量如何它都达到了稳定状态。如果无限堆叠更多的计算块可能会破坏这种稳定状态参数利用率会降低。新提出的 E-ELAN 使用 expand、shuffle、merge cardinality 在不破坏原有梯度路径的情况下让网络的学习能力不断增强。
在架构方面E-ELAN 只改变了计算块的架构而过渡层transition layer的架构完全没有改变。YOLOv7 的策略是使用组卷积来扩展计算块的通道和基数。研究者将对计算层的所有计算块应用相同的组参数和通道乘数。然后每个计算块计算出的特征图会根据设置的组参数 g 被打乱成 g 个组再将它们连接在一起。此时每组特征图的通道数将与原始架构中的通道数相同。最后该方法添加 g 组特征图来执行 merge cardinality。除了保持原有的 ELAN 设计架构E-ELAN 还可以引导不同组的计算块学习更多样化的特征。 因此对基于串联的模型我们不能单独分析不同的扩展因子而必须一起考虑。该研究提出图 c即在对基于级联的模型进行扩展时只需要对计算块中的深度进行扩展其余传输层进行相应的宽度扩展。这种复合扩展方法可以保持模型在初始设计时的特性和最佳结构。
此外该研究使用梯度流传播路径来分析如何重参数化卷积以与不同的网络相结合。下图展示了该研究设计的用于 PlainNet 和 ResNet 的「计划重参数化卷积」。
5.数据集的准备
标注收集到的图片制作YOLO格式数据集 自己创建一个myself.yaml文件用来配置路径路径格式与之前的V5、V6不同只需要配置txt路径就可以 train-list.txt和val-list.txt文件里存放的都是图片的绝对路径也可以放入相对路径 如何获取图像的绝对路径脚本写在下面了也可以获取相对路径
# From Mr. Dinosaurimport osdef listdir(path, list_name): # 传入存储的listfor file in os.listdir(path):file_path os.path.join(path, file)if os.path.isdir(file_path):listdir(file_path, list_name)else:list_name.append(file_path)list_name []
path D:/PythonProject/data/ # 文件夹路径
listdir(path, list_name)
print(list_name)with open(./list.txt, w) as f: # 要存入的txtwrite for i in list_name:write write str(i) \nf.write(write)6.训练过程
运行train.py
train文件还是和V5一样为了方便我将需要用到的文件放在了根目录下
路径修改完之后右击运行即可
经过漫长的训练过程YOLOv7相比YOLOv5训练更吃配置尤其是显存实测GPU 3080ti训练长达40小时以上建议电脑显存8G以下的谨慎尝试可能训练的过程低配置的电脑会出现蓝屏等现象皆为显卡过载使用本文提供的训练好的权重进行预测则不吃配置CPU也能取得很好的预测结果且不会损伤电脑
7.测试验证
下面放上对比图上面V7下面V5
8.系统整合
完整源码环境部署视频教程数据集自定义UI界面
参考博客《犬只牵绳检测系统(源码部署教程)》
