一、YOLOv7简介
官方版的YOLOv7相同体量下比YOLOv5精度更高,速度快120%(FPS),比 YOLOX 快180%(FPS),比 Dual-Swin-T 快1200%(FPS),比 ConvNext 快550%(FPS),比 SWIN-L快500%(FPS)。在5FPS到160FPS的范围内,无论是速度或是精度,YOLOv7都超过了目前已知的检测器,并且在GPU V100上进行测试, 精度为56.8% AP的模型可达到30 FPS(batch=1)以上的检测速率,与此同时,这是目前唯一一款在如此高精度下仍能超过30FPS的检测器。
论文链接:https://arxiv.org/abs/2207.02696
代码链接:https://github.com/WongKinYiu/yolov7
二、预训练模型准备
模型权重下载
可以从官方github仓库提供的链接中下载基于COCO数据集的YOLOv7预训练模型权重。
模型转换
可以从官方github仓库提供的链接中下载基于COCO数据集的YOLOv7预训练模型权重。
下载YOLOv7官方仓库:
$ git clone git@github.com:WongKinYiu/yolov7.git
$ cd yolov7/models
$ python export.py --weights yolov7.pt
三、模型部署
通过Netron工具打开yolov7.onnx文件后可以看到,官方提供的预训练模型的output部分包含三个特征层的预测结果,因此需要根据每一层的先验框(anchor)对输出数据进行调整后,再进行堆叠。
由于YOLOv7的模型前后处理基本和YOLOv5一致,大部分数据处理模块可以直接复用。话不多说直接上代码:
六、运行结果
运行python示例后,会在本地data目录下生成代bounding box以及label的图片,这里我们用到官方仓库中附带的马匹数据进行测试,具体结果如下:
运行代码
$ python YOLOV7.py -i horse.jpg -m yolov7.onnx
Github地址:
https://github.com/OpenVINO-dev-contest/YOLOv7_OpenVINO