來(lái)源：投稿 作者：某一個(gè)名字
編輯：學(xué)姐

導(dǎo)語(yǔ)

目標(biāo)檢測(cè)作為視覺(jué)項(xiàng)目中的重要一環(huán)被工業(yè)界廣泛應(yīng)用，考慮到檢測(cè)速度與精度，使用最多的非yolo系列莫屬。

隨著yolov5的提出，由于其對(duì)于工業(yè)數(shù)據(jù)很強(qiáng)的適應(yīng)性，使得該算法模型一直處于霸屏的位置。

而yolov7的面世，對(duì)yolov5發(fā)起了直接的挑戰(zhàn)，經(jīng)過(guò)一些數(shù)據(jù)集的檢驗(yàn)在速度與準(zhǔn)確度方面有過(guò)之而無(wú)不及。

現(xiàn)在就開(kāi)始介紹下yolov7工業(yè)應(yīng)用的相關(guān)步驟，希望在大家的實(shí)際項(xiàng)目中能夠有所幫助。

1、yolov7算法解讀

yolov7總體來(lái)說(shuō)在重參化模塊、動(dòng)態(tài)標(biāo)簽替換這兩方面進(jìn)行了一些優(yōu)化。對(duì)于結(jié)構(gòu)重參化來(lái)說(shuō)，yolov7通過(guò)分析梯度的傳播路徑來(lái)為網(wǎng)絡(luò)中的不同層進(jìn)行結(jié)構(gòu)重參化優(yōu)化，并且提出了不同規(guī)劃的模型結(jié)構(gòu)重參化。

在動(dòng)態(tài)標(biāo)簽分配方面，因?yàn)槟Ｐ陀卸鄠€(gè)輸出層，所以在訓(xùn)練時(shí)就難以為不同的分支分配更好地動(dòng)態(tài)目標(biāo)。因此作者提出了一個(gè)新的動(dòng)態(tài)標(biāo)簽分配辦法：coarse-to-fine，即由粗到細(xì)引導(dǎo)標(biāo)簽分配的策略。

除了以上兩點(diǎn)，作者還提出了擴(kuò)展和復(fù)合縮放的方式，通過(guò)這種方式可以更高效利用參數(shù)量和計(jì)算量。這樣不僅可以減少大量參數(shù)，還可以提高推理速度以及檢測(cè)精度。

2、代碼庫(kù)地址以及版本

2.1 代碼庫(kù)地址：

https://github.com/WongKinYiu/yolov7

2.2 版本選擇

3、環(huán)境安裝

環(huán)境安裝教程以及注意事項(xiàng)可參考本人分享的文章《基于deeplabv3+的工業(yè)應(yīng)用流程分析》（之后會(huì)更新）。我使用的版本為：

4、模型訓(xùn)練

4.1訓(xùn)練數(shù)據(jù)處理

1）首先使用labelimg工具進(jìn)行標(biāo)注，得到的是xml標(biāo)簽文件，此時(shí)需要將xml轉(zhuǎn)換成訓(xùn)練所需的txt格式，轉(zhuǎn)換代碼是：

2）轉(zhuǎn)換完成后數(shù)據(jù)文件夾設(shè)置，如下所示分別存好圖片數(shù)據(jù)以及標(biāo)簽txt數(shù)據(jù)集即可：

4.2模型訓(xùn)練

1）數(shù)據(jù)集路徑以及類別的設(shè)置：

2）該代碼庫(kù)對(duì)于模型訓(xùn)練參數(shù)的更改設(shè)置均在train.py文件中，通常無(wú)需更改直接運(yùn)行即可。

5、模型導(dǎo)出

本篇就以openvino為例來(lái)說(shuō)明下目標(biāo)檢測(cè)模型的部署流程，運(yùn)行export.py文件，只需將導(dǎo)出權(quán)重文件weights參數(shù)換成訓(xùn)練得到的best.pt即可，最終得到一個(gè)best.onnx文件。

6、模型部署

6.1 基于Windows的openvino安裝以及vs2019配置在文章《淺談mobilenet網(wǎng)絡(luò)在工業(yè)數(shù)據(jù)分類中的應(yīng)用》（之后會(huì)更新）已有描述，按照步驟操作即可完成。

6.2 基于openvino的部署代碼如下

至此部署代碼就結(jié)束了，大家可以移用到y(tǒng)olo系列其他模型的部署當(dāng)中。

結(jié)語(yǔ)

此篇分享完畢，工業(yè)應(yīng)用中的分類、語(yǔ)義分割、目標(biāo)檢測(cè)就都已一一介紹，其中涉及到算法模型的訓(xùn)練以及部署工具的使用，希望能夠在各自的學(xué)習(xí)或者工作實(shí)踐中起到普及的作用，后續(xù)會(huì)繼續(xù)細(xì)致化分享系統(tǒng)算法、GPU部署相關(guān)的知識(shí)，但愿大家能夠喜歡，謝謝！

YOLO相關(guān)論文PDF+代碼數(shù)據(jù)集+課件

關(guān)注【學(xué)姐帶你玩AI】公眾號(hào)，回復(fù)“YOLO”獲取