YOLOv7源码解析

已于 2023-08-29 17:36:14 修改
阅读量559 收藏 4
点赞数 1
文章标签： YOLO 前端 python
于 2023-08-29 13:19:16 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_38582851/article/details/132559284
版权

YOLOv7源码解析

YAML文件

以yolov7 cfg/yolov7-w6-pose.yaml为例：

# parameters

nc: 1  # number of classes
nkpt: 4 # number of key points
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
dw_conv_kpt: True

anchors:
  - [ 19,27,  44,40,  38,94 ]  # P3/8
  - [ 96,68,  86,152,  180,137 ]  # P4/16
  - [ 140,301,  303,264,  238,542 ]  # P5/32
  - [ 436,615,  739,380,  925,792 ]  # P6/64

# yolov7 backbone
backbone:
  [[-1, 1, ReOrg, []],  # 0
   [-1, 1, Conv, [64, 3, 1]],  # 1-P1/2
   
   [-1, 1, Conv, [128, 3, 2]],  # 2-P2/4
   [-1, 1, Conv, [64, 1, 1]],
   [-2, 1, Conv, [64, 1, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1]],  # 10
         
   [-1, 1, Conv, [256, 3, 2]],  # 11-P3/8
   [-1, 1, Conv, [128, 1, 1]],
   [-2, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]],  # 19
         
   [-1, 1, Conv, [512, 3, 2]],  # 20-P4/16
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1]],  # 28
         
   [-1, 1, Conv, [768, 3, 2]],  # 29-P5/32
   [-1, 1, Conv, [384, 1, 1]],
   [-2, 1, Conv, [384, 1, 1]],
   [-1, 1, Conv, [384, 3, 1]],
   [-1, 1, Conv, [384, 3, 1]],
   [-1, 1, Conv, [384, 3, 1]],
   [-1, 1, Conv, [384, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [768, 1, 1]],  # 37
         
   [-1, 1, Conv, [1024, 3, 2]],  # 38-P6/64
   [-1, 1, Conv, [512, 1, 1]],
   [-2, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [512, 3, 1]],
   [-1, 1, Conv, [512, 3, 1]],
   [-1, 1, Conv, [512, 3, 1]],
   [-1, 1, Conv, [512, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [1024, 1, 1]],  # 46
  ]

# yolov7 head
head:
  [[-1, 1, SPPCSPC, [512]], # 47
  
   [-1, 1, Conv, [384, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [37, 1, Conv, [384, 1, 1]], # route backbone P5
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [384, 1, 1]],
   [-2, 1, Conv, [384, 1, 1]],
   [-1, 1, Conv, [192, 3, 1]],
   [-1, 1, Conv, [192, 3, 1]],
   [-1, 1, Conv, [192, 3, 1]],
   [-1, 1, Conv, [192, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [384, 1, 1]], # 59
  
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [28, 1, Conv, [256, 1, 1]], # route backbone P4
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]], # 71
   
   [-1, 1, Conv, [128, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [19, 1, Conv, [128, 1, 1]], # route backbone P3
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [128, 1, 1]],
   [-2, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1]], # 83
      
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 71], 1, Concat, [1]],  # cat
   
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]], # 93
      
   [-1, 1, Conv, [384, 3, 2]],
   [[-1, 59], 1, Concat, [1]],  # cat
   
   [-1, 1, Conv, [384, 1, 1]],
   [-2, 1, Conv, [384, 1, 1]],
   [-1, 1, Conv, [192, 3, 1]],
   [-1, 1, Conv, [192, 3, 1]],
   [-1, 1, Conv, [192, 3, 1]],
   [-1, 1, Conv, [192, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [384, 1, 1]], # 103
      
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 47], 1, Concat, [1]],  # cat
   
   [-1, 1, Conv, [512, 1, 1]],
   [-2, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1]], # 113
   
   [83, 1, Conv, [256, 3, 1]],
   [93, 1, Conv, [512, 3, 1]],
   [103, 1, Conv, [768, 3, 1]],
   [113, 1, Conv, [1024, 3, 1]],

   [[114,115,116,117], 1, IKeypoint, [nc, anchors, nkpt]],   # Detect(P3, P4, P5, P6)
  ]

其中头部部分：

nc: 1  # number of classes
nkpt: 4 # number of key points
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
dw_conv_kpt: True
  • nc：表示任务类别个数。例如做人、车、狗检测，此时nc=3
  • nkpt：表示关键点的数量。如做人的17个关键点检测，此时nkpt=17
  • dept_multiple：表示模型的深度
  • width_multiple：表示模型的宽度

其中backbone部分：

[-1, 1, Conv, [128, 3, 2]],  # 2-P2/4
   [-1, 1, Conv, [64, 1, 1]],
   [-2, 1, Conv, [64, 1, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1]],  # 10

这一部分从P2（第2层开始)，向下一次为第3层，第4层，…，第10层。
其中

  • 第一个参数：-1表示当前层的输入来自上一层，若是-2表示当前层（i）的输入来自第（i-2）层。
  • 第二个参数：1表示这个参数乘上模型深度的超参数，就可以控制模型的深度
  • 第三个参数：Conv表示具体的网络层
  • 第四个参数：输出通道、卷积核等大小
    • Conv：输出通道、卷积核大小、步长
    • SPP：输出通道、卷积核大小
    • Foucs：输出通道、卷积核大小
    • BottleckCSP：输出通道、是否启用shortcut
    • Concat：拼接维度
    • Detect：类别个数、anchors

其中尾部部分：

 [[114,115,116,117], 1, IKeypoint, [nc, anchors, nkpt]],   # Detect(P3, P4, P5, P6)
  • [114,115,116,117]：表示检测层的特征图来源，此时检测层层数为4
  • IKeypoint：关键点检测
  • [nc, anchors, nkpt]：
    • nc ：表示类别
    • anchor：表示anchor
    • nkpt：表示关键点数量
吃水果不削皮
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Yolov3源码解析.zip
04-21
本资源包含yolov3实现的方法。
YOLOv4目标检测：原理与源码解析
06-21
需要学习Windows系统YOLOv4的同学请前往《Windows版YOLOv4目标检测实战：原理与源码解析》， 课程链接 https://edu.csdn.net/course/detail/29865 【为什么要学习这门课】 Linux创始人Linus Torvalds有一句名言：...
yolov7 姿态识别-人体骨架-实时检测+实例分割
weixin_54347244的博客
11-07 3854
无
目标检测-YOLOv7代码及训练
最新发布
shhh的博客
09-05 1969
1表示该层输入是上一层的输出，-2表示该层输入是上上层的输出，以此类推。if opt.global_rank in [-1, 0]检查是否使用分布式训练，-1表示没有，global_rank默认为-1。else后面的是超参数优化的参数，这之后的代码全是关于超参数优化的。x：边界框坐标的列表，(x_min, y_min, x_max, y_max)，表示左上角和右下角的坐标。若训练过程中训练中断，将Resume改为True，程序会自动寻找最后一轮的权重，然后继续训练。要将‘.../VOC’改为自己的路径）
YOLO V7源码解析
qq_52053775的博客
11-05 1万+
YOLO v7参数与YOLO v5差不多，我就直接将YOLO v5命令行参数搬过来了，偷个懒。
YOLOv7 Backbone| 原文源码详解
日拱一卒，功不唐捐
12-06 9557
YOLOv7Backbone原文源码解读
YoloV7目标检测（Pytorch官方版）【这也许是你见到最详细的博文！！！】
qq_23022733的博客
12-07 1万+
主干网络示意图如下，其实采用的和YoloV3、YoloV4、YoloV5类似的网络结构 代码如下，多分支模块堆叠的类名为：Multi_Concat_Block 输出： 2.2 下采样网络结构 结合了maxpooling和2 ×\times× 2步长的卷积 代码如下，下采样结构类名为Transition_Block， 输出： 2.3 整个backbone代码 整个主干网络实现代码为： 输出： 3、FPN特征金字塔 backbone与FPN以及head代码： 输出：
YOLOV7学习记录之原理+代码介绍
pengxiang1998的博客
12-14 1万+
博主计划做一个目标检测跟踪项目，考虑使用YOLO系列模型来作为目标检测器，如今YOLO项目已经更新到了YOLOV7版本，因此便来学习一下相关原理，完成相关实验工作。论文链接：https://arxiv.org/abs/2207.02696。
基于YOLOv7实现关键点检测（源码+数据+说明文档）.rar
04-14
1、资源内容：基于yolov7的关键点检测（完整源码+说明文档+数据）.rar 2、代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3、适用对象：计算机，电子信息工程、数学等专业的大学生课程设计和...
YOLOv3目标检测：原理与源码解析
06-14
神经网络及Darknet的C语言实现，尤其是反向传播的梯度求解和误差计算 代码阅读工具及方法 深度学习计算的利器：BLAS和GEMM GPU的CUDA编程方法及在Darknet的应用 YOLOv3的程序流程及各层的源码解析本课程将提供...
YOLOv7源代码+权重文件(方便下载)
11-02
方便各位下载，YOLOv7源代码+权重文件
yolov7代码及全部预训练权重
07-07
该资源包含： 1.yolov7的代码 2.yolov7.pt yolov7x.pt yolov7-w6.pt yolov7-e6.pt yolov7-d6.pt yolov7-e6e.pt等6个预训练权重文件
YOLOv7源代码+权重文件
07-14
方便各位下载，YOLOv7源代码+权重文件
Windows版YOLOv4目标检测：原理与源码解析
06-21
需要学习ubuntu系统上YOLOv4的同学请前往：《YOLOv4目标检测实战：原理与源码解析》 【为什么要学习这门课】 Linux创始人Linus Torvalds有一句名言：Talk is cheap. Show me the code. 冗谈不够，放码过来！ 代码...
yolov7损失函数源码解析（一句一句解析，）
clhmliu的博客
12-02 3212
自己做的笔记而已，仅供参考。
YOLOV7源码复现教程
weixin_41571045的博客
07-18 1300
YOLOV7源码复现教程
yolov7开源代码讲解--训练代码
z240626191s的博客
08-30 9053
以前看CNN训练代码的时候，往往代码比较易懂，基本很快就能知道各个模块功能，但到了后面很多出来的网络中，由于加入了大量的trick，导致很多人看不懂代码，代码下载以后无从下手。训练参数和利用yaml定义网络详细过程可以看我另外的文章，都有写清楚。 其实不管什么网络，训练部分大体都分几个部分： 1.网络的定义 2.数据集的处理与加载 3.训练超参数的定义与初始化 4.损失函数的定义 5.训练 5.1.1前向传播 5.1.2反向传播 5.1.3梯度更新 5.1.4模型保存...
Yolov7：最新最快的实时检测框架，最详细分析解释（附源代码）
热门推荐
gzq0723的博客
07-09 2万+
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式论文地址：https://arxiv.org/pdf/2207.02696.pdf代码地址：https://github.com/WongKinYiu/yolov7计算机视觉研究院专栏作者：Edison_GYOLOv7相同体量下比YOLOv5精度更高，速度快12...
Python基于YOLOv7的口罩识别系统(源码＆教程)
qunmasj89的博客
11-09 3197
Python基于YOLOv7的口罩识别系统(源码＆教程)
YOLOv7 源码解析
07-27
YOLOv7 是一个目标检测算法，是基于深度学习的方法。它是由 Alexey Bochkovskiy 等人在 YOLOv4 的基础上进行改进和优化得到的。 YOLOv7 的源码主要分为以下几个部分： 1. 模型结构：YOLOv7 使用了 Darknet53 作为主干网络，该网络由 53 个卷积层组成，可以提取图像的特征。在 Darknet53 的基础上，YOLOv7 添加了更多的卷积层和连接层，用来预测目标的位置和类别。 2. 数据处理：源码中包含了数据预处理的部分，包括读取图像、缩放图像、数据增强等操作。数据增强可以提高模型的泛化能力，常见的增强方式包括随机裁剪、随机翻转、颜色抖动等。 3. 损失函数：YOLOv7 使用了一种称为 YOLO Loss 的损失函数来训练模型。YOLO Loss 综合考虑了目标的位置误差、目标的分类误差和目标的置信度误差，通过最小化这些误差来优化模型。 4. 训练过程：源码中包含了模型的训练过程，包括前向传播、反向传播、参数更新等步骤。训练过程中还会使用一些技巧来提高模型的性能，例如学习率调整、梯度裁剪等。 5. 推理过程：源码中也包含了模型的推理过程，可以将训练好的模型用于目标检测任务。推理过程中会使用非极大值抑制（NMS）来去除冗余的检测框，并且根据置信度阈值来筛选目标。 以上是对 YOLOv7 源码的简要解析，具体的实现细节可以参考相关的论文和代码。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值