devbox
编程冒险家
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

python基于YOLOv7系列模型【yolov7-tiny/yolov7/yolov7x】开发构建钢铁产业产品智能自动化检测识别系统

作者：编程冒险家 | 2024-01-31 20:18:49

赞

踩

python基于YOLOv7系列模型【yolov7-tiny/yolov7/yolov7x】开发构建钢铁产业产品智能自动化检测识别系统

在前文的项目开发实践中，我们已经以钢铁产业产品缺陷检测数据场景为基准，陆续开发构建了多款目标检测模型，感兴趣的话可以自行阅读即可。

《YOLOv3老矣尚能战否？基于YOLOv3开发构建建钢铁产业产品智能自动化检测识别系统，我们来与YOLOv5进行全方位对比评测》

《基于官方YOLOv4开发构建目标检测模型超详细实战教程【以自建缺陷检测数据集为例】》 

《基于官方YOLOv4-u5【yolov5风格实现】开发构建目标检测模型超详细实战教程【以自建缺陷检测数据集为例】》 

《I助力钢铁产业数字化，python基于YOLOv5开发构建钢铁产业产品智能自动化检测识别系统》

《python基于YOLOv6最新0.4.1分支开发构建钢铁产业产品智能自动化检测识别系统》

《python基于DETR(DEtection TRansformer)开发构建钢铁产业产品智能自动化检测识别系统》

本文的主要目的就是延续这一业务场景的模型开发，基于yolov7来开发构建不同参数量级的钢铁产品智能化质检系统，首先来看实例效果：

本文主要选择了yolov7-tiny、yolov7和yolov7x三款不同参数量级的模型来开发我们所需要的目标检测系统。

简单看下数据集，如下所示：

共包含十种不同类型的产品缺陷。

训练数据配置文件如下所示：

  1. # txt path 
  2. train: ./dataset/images/train
  3. val: ./dataset/images/test
  4. test: ./dataset/images/test
  5.  
  6.  
  7.  
  8. # number of classes
  9. nc: 10
  10.  
  11. # class names
  12. names: ['chongkong', 'hanfeng', 'yueyawan', 'shuiban', 'youban', 'siban', 'yiwu', 'yahen', 'zhehen', 'yaozhe']
  13.

yolov7-tiny.yaml如下所示：

  1. # parameters
  2. nc: 10  # number of classes
  3. depth_multiple: 1.0  # model depth multiple
  4. width_multiple: 1.0  # layer channel multiple
  5.  
  6. # anchors
  7. anchors:
  8.   - [10,13, 16,30, 33,23]  # P3/8
  9.   - [30,61, 62,45, 59,119]  # P4/16
  10.   - [116,90, 156,198, 373,326]  # P5/32
  11.  
  12. # yolov7-tiny backbone
  13. backbone:
  14.   # [from, number, module, args] c2, k=1, s=1, p=None, g=1, act=True
  15.   [[-1, 1, Conv, [32, 3, 2, None, 1, nn.LeakyReLU(0.1)]],  # 0-P1/2  
  16.   
  17.    [-1, 1, Conv, [64, 3, 2, None, 1, nn.LeakyReLU(0.1)]],  # 1-P2/4    
  18.    
  19.    [-1, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  20.    [-2, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  21.    [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  22.    [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  23.    [[-1, -2, -3, -4], 1, Concat, [1]],
  24.    [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 7
  25.    
  26.    [-1, 1, MP, []],  # 8-P3/8
  27.    [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  28.    [-2, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  29.    [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  30.    [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  31.    [[-1, -2, -3, -4], 1, Concat, [1]],
  32.    [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 14
  33.    
  34.    [-1, 1, MP, []],  # 15-P4/16
  35.    [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  36.    [-2, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  37.    [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  38.    [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  39.    [[-1, -2, -3, -4], 1, Concat, [1]],
  40.    [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 21
  41.    
  42.    [-1, 1, MP, []],  # 22-P5/32
  43.    [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  44.    [-2, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  45.    [-1, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  46.    [-1, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  47.    [[-1, -2, -3, -4], 1, Concat, [1]],
  48.    [-1, 1, Conv, [512, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 28
  49.   ]
  50.  
  51. # yolov7-tiny head
  52. head:
  53.   [[-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  54.    [-2, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  55.    [-1, 1, SP, [5]],
  56.    [-2, 1, SP, [9]],
  57.    [-3, 1, SP, [13]],
  58.    [[-1, -2, -3, -4], 1, Concat, [1]],
  59.    [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  60.    [[-1, -7], 1, Concat, [1]],
  61.    [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 37
  62.   
  63.    [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  64.    [-1, 1, nn.Upsample, [None, 2, 'nearest']],
  65.    [21, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]], # route backbone P4
  66.    [[-1, -2], 1, Concat, [1]],
  67.    
  68.    [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  69.    [-2, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  70.    [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  71.    [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  72.    [[-1, -2, -3, -4], 1, Concat, [1]],
  73.    [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 47
  74.   
  75.    [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  76.    [-1, 1, nn.Upsample, [None, 2, 'nearest']],
  77.    [14, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]], # route backbone P3
  78.    [[-1, -2], 1, Concat, [1]],
  79.    
  80.    [-1, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  81.    [-2, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  82.    [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  83.    [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  84.    [[-1, -2, -3, -4], 1, Concat, [1]],
  85.    [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 57
  86.    
  87.    [-1, 1, Conv, [128, 3, 2, None, 1, nn.LeakyReLU(0.1)]],
  88.    [[-1, 47], 1, Concat, [1]],
  89.    
  90.    [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  91.    [-2, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  92.    [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  93.    [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  94.    [[-1, -2, -3, -4], 1, Concat, [1]],
  95.    [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 65
  96.    
  97.    [-1, 1, Conv, [256, 3, 2, None, 1, nn.LeakyReLU(0.1)]],
  98.    [[-1, 37], 1, Concat, [1]],
  99.    
  100.    [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  101.    [-2, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
  102.    [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  103.    [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  104.    [[-1, -2, -3, -4], 1, Concat, [1]],
  105.    [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 73
  106.       
  107.    [57, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  108.    [65, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  109.    [73, 1, Conv, [512, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
  110.  
  111.    [[74,75,76], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5)
  112.   ]

yolov7.yaml如下所示：

  1. # parameters
  2. nc: 10  # number of classes
  3. depth_multiple: 1.0  # model depth multiple
  4. width_multiple: 1.0  # layer channel multiple
  5.  
  6. # anchors
  7. anchors:
  8.   - [12,16, 19,36, 40,28]  # P3/8
  9.   - [36,75, 76,55, 72,146]  # P4/16
  10.   - [142,110, 192,243, 459,401]  # P5/32
  11.  
  12. # yolov7 backbone
  13. backbone:
  14.   # [from, number, module, args]
  15.   [[-1, 1, Conv, [32, 3, 1]],  # 0
  16.   
  17.    [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2      
  18.    [-1, 1, Conv, [64, 3, 1]],
  19.    
  20.    [-1, 1, Conv, [128, 3, 2]],  # 3-P2/4  
  21.    [-1, 1, Conv, [64, 1, 1]],
  22.    [-2, 1, Conv, [64, 1, 1]],
  23.    [-1, 1, Conv, [64, 3, 1]],
  24.    [-1, 1, Conv, [64, 3, 1]],
  25.    [-1, 1, Conv, [64, 3, 1]],
  26.    [-1, 1, Conv, [64, 3, 1]],
  27.    [[-1, -3, -5, -6], 1, Concat, [1]],
  28.    [-1, 1, Conv, [256, 1, 1]],  # 11
  29.          
  30.    [-1, 1, MP, []],
  31.    [-1, 1, Conv, [128, 1, 1]],
  32.    [-3, 1, Conv, [128, 1, 1]],
  33.    [-1, 1, Conv, [128, 3, 2]],
  34.    [[-1, -3], 1, Concat, [1]],  # 16-P3/8  
  35.    [-1, 1, Conv, [128, 1, 1]],
  36.    [-2, 1, Conv, [128, 1, 1]],
  37.    [-1, 1, Conv, [128, 3, 1]],
  38.    [-1, 1, Conv, [128, 3, 1]],
  39.    [-1, 1, Conv, [128, 3, 1]],
  40.    [-1, 1, Conv, [128, 3, 1]],
  41.    [[-1, -3, -5, -6], 1, Concat, [1]],
  42.    [-1, 1, Conv, [512, 1, 1]],  # 24
  43.          
  44.    [-1, 1, MP, []],
  45.    [-1, 1, Conv, [256, 1, 1]],
  46.    [-3, 1, Conv, [256, 1, 1]],
  47.    [-1, 1, Conv, [256, 3, 2]],
  48.    [[-1, -3], 1, Concat, [1]],  # 29-P4/16  
  49.    [-1, 1, Conv, [256, 1, 1]],
  50.    [-2, 1, Conv, [256, 1, 1]],
  51.    [-1, 1, Conv, [256, 3, 1]],
  52.    [-1, 1, Conv, [256, 3, 1]],
  53.    [-1, 1, Conv, [256, 3, 1]],
  54.    [-1, 1, Conv, [256, 3, 1]],
  55.    [[-1, -3, -5, -6], 1, Concat, [1]],
  56.    [-1, 1, Conv, [1024, 1, 1]],  # 37
  57.          
  58.    [-1, 1, MP, []],
  59.    [-1, 1, Conv, [512, 1, 1]],
  60.    [-3, 1, Conv, [512, 1, 1]],
  61.    [-1, 1, Conv, [512, 3, 2]],
  62.    [[-1, -3], 1, Concat, [1]],  # 42-P5/32  
  63.    [-1, 1, Conv, [256, 1, 1]],
  64.    [-2, 1, Conv, [256, 1, 1]],
  65.    [-1, 1, Conv, [256, 3, 1]],
  66.    [-1, 1, Conv, [256, 3, 1]],
  67.    [-1, 1, Conv, [256, 3, 1]],
  68.    [-1, 1, Conv, [256, 3, 1]],
  69.    [[-1, -3, -5, -6], 1, Concat, [1]],
  70.    [-1, 1, Conv, [1024, 1, 1]],  # 50
  71.   ]
  72.  
  73. # yolov7 head
  74. head:
  75.   [[-1, 1, SPPCSPC, [512]], # 51
  76.   
  77.    [-1, 1, Conv, [256, 1, 1]],
  78.    [-1, 1, nn.Upsample, [None, 2, 'nearest']],
  79.    [37, 1, Conv, [256, 1, 1]], # route backbone P4
  80.    [[-1, -2], 1, Concat, [1]],
  81.    
  82.    [-1, 1, Conv, [256, 1, 1]],
  83.    [-2, 1, Conv, [256, 1, 1]],
  84.    [-1, 1, Conv, [128, 3, 1]],
  85.    [-1, 1, Conv, [128, 3, 1]],
  86.    [-1, 1, Conv, [128, 3, 1]],
  87.    [-1, 1, Conv, [128, 3, 1]],
  88.    [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
  89.    [-1, 1, Conv, [256, 1, 1]], # 63
  90.    
  91.    [-1, 1, Conv, [128, 1, 1]],
  92.    [-1, 1, nn.Upsample, [None, 2, 'nearest']],
  93.    [24, 1, Conv, [128, 1, 1]], # route backbone P3
  94.    [[-1, -2], 1, Concat, [1]],
  95.    
  96.    [-1, 1, Conv, [128, 1, 1]],
  97.    [-2, 1, Conv, [128, 1, 1]],
  98.    [-1, 1, Conv, [64, 3, 1]],
  99.    [-1, 1, Conv, [64, 3, 1]],
  100.    [-1, 1, Conv, [64, 3, 1]],
  101.    [-1, 1, Conv, [64, 3, 1]],
  102.    [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
  103.    [-1, 1, Conv, [128, 1, 1]], # 75
  104.       
  105.    [-1, 1, MP, []],
  106.    [-1, 1, Conv, [128, 1, 1]],
  107.    [-3, 1, Conv, [128, 1, 1]],
  108.    [-1, 1, Conv, [128, 3, 2]],
  109.    [[-1, -3, 63], 1, Concat, [1]],
  110.    
  111.    [-1, 1, Conv, [256, 1, 1]],
  112.    [-2, 1, Conv, [256, 1, 1]],
  113.    [-1, 1, Conv, [128, 3, 1]],
  114.    [-1, 1, Conv, [128, 3, 1]],
  115.    [-1, 1, Conv, [128, 3, 1]],
  116.    [-1, 1, Conv, [128, 3, 1]],
  117.    [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
  118.    [-1, 1, Conv, [256, 1, 1]], # 88
  119.       
  120.    [-1, 1, MP, []],
  121.    [-1, 1, Conv, [256, 1, 1]],
  122.    [-3, 1, Conv, [256, 1, 1]],
  123.    [-1, 1, Conv, [256, 3, 2]],
  124.    [[-1, -3, 51], 1, Concat, [1]],
  125.    
  126.    [-1, 1, Conv, [512, 1, 1]],
  127.    [-2, 1, Conv, [512, 1, 1]],
  128.    [-1, 1, Conv, [256, 3, 1]],
  129.    [-1, 1, Conv, [256, 3, 1]],
  130.    [-1, 1, Conv, [256, 3, 1]],
  131.    [-1, 1, Conv, [256, 3, 1]],
  132.    [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
  133.    [-1, 1, Conv, [512, 1, 1]], # 101
  134.    
  135.    [75, 1, RepConv, [256, 3, 1]],
  136.    [88, 1, RepConv, [512, 3, 1]],
  137.    [101, 1, RepConv, [1024, 3, 1]],
  138.  
  139.    [[102,103,104], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5)
  140.   ]

yolov7x.yaml如下所示：

  1. # parameters
  2. nc: 10  # number of classes
  3. depth_multiple: 1.0  # model depth multiple
  4. width_multiple: 1.0  # layer channel multiple
  5.  
  6. # anchors
  7. anchors:
  8.   - [12,16, 19,36, 40,28]  # P3/8
  9.   - [36,75, 76,55, 72,146]  # P4/16
  10.   - [142,110, 192,243, 459,401]  # P5/32
  11.  
  12. # yolov7 backbone
  13. backbone:
  14.   # [from, number, module, args]
  15.   [[-1, 1, Conv, [40, 3, 1]],  # 0
  16.   
  17.    [-1, 1, Conv, [80, 3, 2]],  # 1-P1/2      
  18.    [-1, 1, Conv, [80, 3, 1]],
  19.    
  20.    [-1, 1, Conv, [160, 3, 2]],  # 3-P2/4  
  21.    [-1, 1, Conv, [64, 1, 1]],
  22.    [-2, 1, Conv, [64, 1, 1]],
  23.    [-1, 1, Conv, [64, 3, 1]],
  24.    [-1, 1, Conv, [64, 3, 1]],
  25.    [-1, 1, Conv, [64, 3, 1]],
  26.    [-1, 1, Conv, [64, 3, 1]],
  27.    [-1, 1, Conv, [64, 3, 1]],
  28.    [-1, 1, Conv, [64, 3, 1]],
  29.    [[-1, -3, -5, -7, -8], 1, Concat, [1]],
  30.    [-1, 1, Conv, [320, 1, 1]],  # 13
  31.          
  32.    [-1, 1, MP, []],
  33.    [-1, 1, Conv, [160, 1, 1]],
  34.    [-3, 1, Conv, [160, 1, 1]],
  35.    [-1, 1, Conv, [160, 3, 2]],
  36.    [[-1, -3], 1, Concat, [1]],  # 18-P3/8  
  37.    [-1, 1, Conv, [128, 1, 1]],
  38.    [-2, 1, Conv, [128, 1, 1]],
  39.    [-1, 1, Conv, [128, 3, 1]],
  40.    [-1, 1, Conv, [128, 3, 1]],
  41.    [-1, 1, Conv, [128, 3, 1]],
  42.    [-1, 1, Conv, [128, 3, 1]],
  43.    [-1, 1, Conv, [128, 3, 1]],
  44.    [-1, 1, Conv, [128, 3, 1]],
  45.    [[-1, -3, -5, -7, -8], 1, Concat, [1]],
  46.    [-1, 1, Conv, [640, 1, 1]],  # 28
  47.          
  48.    [-1, 1, MP, []],
  49.    [-1, 1, Conv, [320, 1, 1]],
  50.    [-3, 1, Conv, [320, 1, 1]],
  51.    [-1, 1, Conv, [320, 3, 2]],
  52.    [[-1, -3], 1, Concat, [1]],  # 33-P4/16  
  53.    [-1, 1, Conv, [256, 1, 1]],
  54.    [-2, 1, Conv, [256, 1, 1]],
  55.    [-1, 1, Conv, [256, 3, 1]],
  56.    [-1, 1, Conv, [256, 3, 1]],
  57.    [-1, 1, Conv, [256, 3, 1]],
  58.    [-1, 1, Conv, [256, 3, 1]],
  59.    [-1, 1, Conv, [256, 3, 1]],
  60.    [-1, 1, Conv, [256, 3, 1]],
  61.    [[-1, -3, -5, -7, -8], 1, Concat, [1]],
  62.    [-1, 1, Conv, [1280, 1, 1]],  # 43
  63.          
  64.    [-1, 1, MP, []],
  65.    [-1, 1, Conv, [640, 1, 1]],
  66.    [-3, 1, Conv, [640, 1, 1]],
  67.    [-1, 1, Conv, [640, 3, 2]],
  68.    [[-1, -3], 1, Concat, [1]],  # 48-P5/32  
  69.    [-1, 1, Conv, [256, 1, 1]],
  70.    [-2, 1, Conv, [256, 1, 1]],
  71.    [-1, 1, Conv, [256, 3, 1]],
  72.    [-1, 1, Conv, [256, 3, 1]],
  73.    [-1, 1, Conv, [256, 3, 1]],
  74.    [-1, 1, Conv, [256, 3, 1]],
  75.    [-1, 1, Conv, [256, 3, 1]],
  76.    [-1, 1, Conv, [256, 3, 1]],
  77.    [[-1, -3, -5, -7, -8], 1, Concat, [1]],
  78.    [-1, 1, Conv, [1280, 1, 1]],  # 58
  79.   ]
  80.  
  81. # yolov7 head
  82. head:
  83.   [[-1, 1, SPPCSPC, [640]], # 59
  84.   
  85.    [-1, 1, Conv, [320, 1, 1]],
  86.    [-1, 1, nn.Upsample, [None, 2, 'nearest']],
  87.    [43, 1, Conv, [320, 1, 1]], # route backbone P4
  88.    [[-1, -2], 1, Concat, [1]],
  89.    
  90.    [-1, 1, Conv, [256, 1, 1]],
  91.    [-2, 1, Conv, [256, 1, 1]],
  92.    [-1, 1, Conv, [256, 3, 1]],
  93.    [-1, 1, Conv, [256, 3, 1]],
  94.    [-1, 1, Conv, [256, 3, 1]],
  95.    [-1, 1, Conv, [256, 3, 1]],
  96.    [-1, 1, Conv, [256, 3, 1]],
  97.    [-1, 1, Conv, [256, 3, 1]],
  98.    [[-1, -3, -5, -7, -8], 1, Concat, [1]],
  99.    [-1, 1, Conv, [320, 1, 1]], # 73
  100.    
  101.    [-1, 1, Conv, [160, 1, 1]],
  102.    [-1, 1, nn.Upsample, [None, 2, 'nearest']],
  103.    [28, 1, Conv, [160, 1, 1]], # route backbone P3
  104.    [[-1, -2], 1, Concat, [1]],
  105.    
  106.    [-1, 1, Conv, [128, 1, 1]],
  107.    [-2, 1, Conv, [128, 1, 1]],
  108.    [-1, 1, Conv, [128, 3, 1]],
  109.    [-1, 1, Conv, [128, 3, 1]],
  110.    [-1, 1, Conv, [128, 3, 1]],
  111.    [-1, 1, Conv, [128, 3, 1]],
  112.    [-1, 1, Conv, [128, 3, 1]],
  113.    [-1, 1, Conv, [128, 3, 1]],
  114.    [[-1, -3, -5, -7, -8], 1, Concat, [1]],
  115.    [-1, 1, Conv, [160, 1, 1]], # 87
  116.       
  117.    [-1, 1, MP, []],
  118.    [-1, 1, Conv, [160, 1, 1]],
  119.    [-3, 1, Conv, [160, 1, 1]],
  120.    [-1, 1, Conv, [160, 3, 2]],
  121.    [[-1, -3, 73], 1, Concat, [1]],
  122.    
  123.    [-1, 1, Conv, [256, 1, 1]],
  124.    [-2, 1, Conv, [256, 1, 1]],
  125.    [-1, 1, Conv, [256, 3, 1]],
  126.    [-1, 1, Conv, [256, 3, 1]],
  127.    [-1, 1, Conv, [256, 3, 1]],
  128.    [-1, 1, Conv, [256, 3, 1]],
  129.    [-1, 1, Conv, [256, 3, 1]],
  130.    [-1, 1, Conv, [256, 3, 1]],
  131.    [[-1, -3, -5, -7, -8], 1, Concat, [1]],
  132.    [-1, 1, Conv, [320, 1, 1]], # 102
  133.       
  134.    [-1, 1, MP, []],
  135.    [-1, 1, Conv, [320, 1, 1]],
  136.    [-3, 1, Conv, [320, 1, 1]],
  137.    [-1, 1, Conv, [320, 3, 2]],
  138.    [[-1, -3, 59], 1, Concat, [1]],
  139.    
  140.    [-1, 1, Conv, [512, 1, 1]],
  141.    [-2, 1, Conv, [512, 1, 1]],
  142.    [-1, 1, Conv, [512, 3, 1]],
  143.    [-1, 1, Conv, [512, 3, 1]],
  144.    [-1, 1, Conv, [512, 3, 1]],
  145.    [-1, 1, Conv, [512, 3, 1]],
  146.    [-1, 1, Conv, [512, 3, 1]],
  147.    [-1, 1, Conv, [512, 3, 1]],
  148.    [[-1, -3, -5, -7, -8], 1, Concat, [1]],
  149.    [-1, 1, Conv, [640, 1, 1]], # 117
  150.    
  151.    [87, 1, Conv, [320, 3, 1]],
  152.    [102, 1, Conv, [640, 3, 1]],
  153.    [117, 1, Conv, [1280, 3, 1]],
  154.  
  155.    [[118,119,120], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5)
  156.   ]

默认完全相同的训练参数开始模型的训练。

训练完成后，我们来对三款模型进行对比评估可视化，如下所示：
【Precision曲线】
精确率曲线（Precision-Recall Curve）是一种用于评估二分类模型在不同阈值下的精确率性能的可视化工具。它通过绘制不同阈值下的精确率和召回率之间的关系图来帮助我们了解模型在不同阈值下的表现。
精确率（Precision）是指被正确预测为正例的样本数占所有预测为正例的样本数的比例。召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。
绘制精确率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率和召回率。
将每个阈值下的精确率和召回率绘制在同一个图表上，形成精确率曲线。
根据精确率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察精确率曲线，我们可以根据需求确定最佳的阈值，以平衡精确率和召回率。较高的精确率意味着较少的误报，而较高的召回率则表示较少的漏报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。
精确率曲线通常与召回率曲线（Recall Curve）一起使用，以提供更全面的分类器性能分析，并帮助评估和比较不同模型的性能。

【Recall曲线】
召回率曲线（Recall Curve）是一种用于评估二分类模型在不同阈值下的召回率性能的可视化工具。它通过绘制不同阈值下的召回率和对应的精确率之间的关系图来帮助我们了解模型在不同阈值下的表现。
召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。召回率也被称为灵敏度（Sensitivity）或真正例率（True Positive Rate）。
绘制召回率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的召回率和对应的精确率。
将每个阈值下的召回率和精确率绘制在同一个图表上，形成召回率曲线。
根据召回率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察召回率曲线，我们可以根据需求确定最佳的阈值，以平衡召回率和精确率。较高的召回率表示较少的漏报，而较高的精确率意味着较少的误报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。
召回率曲线通常与精确率曲线（Precision Curve）一起使用，以提供更全面的分类器性能分析，并帮助评估和比较不同模型的性能。

【F1值曲线】
F1值曲线是一种用于评估二分类模型在不同阈值下的性能的可视化工具。它通过绘制不同阈值下的精确率（Precision）、召回率（Recall）和F1分数的关系图来帮助我们理解模型的整体性能。
F1分数是精确率和召回率的调和平均值，它综合考虑了两者的性能指标。F1值曲线可以帮助我们确定在不同精确率和召回率之间找到一个平衡点，以选择最佳的阈值。
绘制F1值曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率、召回率和F1分数。
将每个阈值下的精确率、召回率和F1分数绘制在同一个图表上，形成F1值曲线。
根据F1值曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
F1值曲线通常与接收者操作特征曲线（ROC曲线）一起使用，以帮助评估和比较不同模型的性能。它们提供了更全面的分类器性能分析，可以根据具体应用场景来选择合适的模型和阈值设置。

直观来看，三款模型没有特别大的差异，yolov7整体性能接近于yolov7x，在实际使用的时候可以优先考虑。如果算力首先可以直接使用tiny版本的模型也是可以的。

可视化推理实例如下所示：
 

能够同时满足图像推理计算和视频推理计算。

如果自己不具备开发训练的资源条件或者是没有时间自己去训练的话这里我提供出来对应的训练结果可供自行按需索取。

单个模型的训练结果默认YOLOv7-tiny

全系列三个模型的训练结果总集

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/article/detail/52002
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号