YOLOv7 开箱测试-技术圈

环境

widnows 10 64bit
torch 1.7.1+cu101

前言

近日，原 YOLOv3/YOLOv4/Scaled-YOLOv4 的团队推出了 YOLOv7，源码地址：https://github.com/WongKinYiu/yolov7，同样是基于 pytorch 框架，对应的论文地址：YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors，感兴趣的童鞋可以去读一读。

据官方的介绍，YOLOv7 是当前实时目标检测算法的 State Of The Art 也就是 SOTA，来看看下面的这张横向比较图

性能方面，各模型也是有不同程度的提升，看看其在 MS COCO 上的表现

代码实操

基础环境，包括 nvidia 驱动安装、python、cuda、cudnn、pytorch 等这些内容就不再讲了，不清楚的朋友，可以参考

ubuntu安装nvidia显卡驱动的2种方法
ubuntu安装cuda
windows 10安装cuda和cudnn
pytorch安装

首先，我们下载官方源码

git clone https://github.com/WongKinYiu/yolov7.git
cd yolov7

然后安装依赖

# 如果前面安装了pytorch，这里就将requirements.txt中的pytorch注释掉
pip install -r requirements.txt

依赖安装结束后，可以执行

python detect.py

代码执行过程中会去下载模型文件 yolov7.pt，下载成功后，会去检测 inference/images 目录中的图片，这里只有一张图片

结束后，检测结果为

当然也可以指定数据源，带上参数 --source

python detect.py --source bus.jpg

如果是视频文件检测，--source 参数后面直接跟上视频文件，摄像头检测的话，--source 参数后面跟上摄像头的 id，如 0、1 ...；网络流媒体的话，也是支持 http、rtsp 和 rtmp 等协议

YOLOv7 除了实现目标检测，它还会带来人体关键点检测和实例分割这2个重要功能

目前人体关键点检测功能基本完成，我们来看看示例，在 tools/keypoint.ipynb，在 notebook 中可以直接运行。

如果需要将 ipynb 文件转成 python 文件，就执行

jupyter nbconvert --to python tools/keypoint.ipynb

将生成的 tools/keypoint.py 拷贝到源码根目录下，然后修改文件的最后部分

output = non_max_suppression_kpt(output, 0.25, 0.65, nc=model.yaml['nc'], nkpt=model.yaml['nkpt'], kpt_label=True)
output = output_to_keypoint(output)
nimg = image[0].permute(1, 2, 0) * 255
nimg = nimg.cpu().numpy().astype(np.uint8)
nimg = cv2.cvtColor(nimg, cv2.COLOR_RGB2BGR)
for idx in range(output.shape[0]):
    plot_skeleton_kpts(nimg, output[idx, 7:].T, 3)

# 将结果保存下来
cv2.imwrite('person_keypoint.jpg', nimg)
# In[5]:

#get_ipython().run_line_magic('matplotlib', 'inline')
#plt.figure(figsize=(8,8))
#plt.axis('off')
#plt.imshow(nimg)
#plt.show()