YoloV7
论文
YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
模型结构
YOLOV7是2022年最新出现的一种YOLO系列目标检测模型,该模型的网络结构包括三个部分:input、backbone和head。
算法原理
YOLOv7的作者提出了 Extended-ELAN (E-ELAN)结构。E-ELAN采用了ELAN类似的特征聚合和特征转移流程,仅在计算模块中采用了类似ShuffleNet的分组卷积、扩张模块和混洗模块,最终通过聚合模块融合特征。通过采 用这种方法可以获得更加多样的特征,同时提高参数的计算和利用效率。
环境配置
Docker(方法一)
拉取镜像:
docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:tvm0.10_ort1.14.0_migraphx3.0.0-dtk23.04
创建并启动容器:
docker run --shm-size 16g --network=host --name=video_ort --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/video_ort:/home/video_ort -it <Your Image ID> /bin/bash
Dockerfile(方法二)
cd ./docker
docker build --no-cache -t video_ort:test .
docker run --shm-size 16g --network=host --name=video_ort --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/video_ort:/home/video_ort -it <Your Image ID> /bin/bash
数据集
根据提供的视频文件,进行目标检测。
推理
编译工程
git clone https://developer.hpccube.com/codes/modelzoo/video_ort.git
cd video_ort
mkdir build
cd build
cmake ../
make
运行示例
./Video_Onnx
根据提示选择要运行的示例程序,运行解码卡示例需要提前安装并初始化解码卡。比如执行:
./Video_Onnx 0
运行CPU解码并运行YOLOV3推理示例程序
result
精度
无
应用场景
算法类别
目标检测
热点应用行业
监控
,交通
,教育
源码仓库及问题反馈
ModelZoo / Video_onnxruntime · GitLab