使用transformer的YOLOv7及TensorRT部署

最近在github上看到一个博主开源的YOLOv7仓库都惊呆了，YOLOv6都还没出来怎么就到YOLOv7了

稍微看了下，原来作者是基于这两年来很火的transformer做的检测和分割模型，测试的效果都非常棒，比YOLOv5效果好很多。由此可见，基于Transformer based的检测模型才是未来。你会发现它学到的东西非常合理，比从一大堆boudingbox里面选择概率的范式要好一点。话不多说，先上代码链接：https://github.com/jinfagang/yolov7

    开源的YOLOv7功能很强大，支持 YOLO, DETR, AnchorDETR等等。作者声称发现很多开源检测框架，比如YOLOv5、EfficientDetection都有自己的弱点。例如，YOLOv5实际上设计过度，太多混乱的代码。更令人惊讶的是，pytorch中至少有20多个不同版本的YOLOv3-YOLOv4的重新实现，其中99.99%是完全错误的，你既不能训练你的数据集，也不能使其与原paper相比。所以有了作者开源的这个仓库！该repo 支持DETR等模型的ONNX导出，并且可以进行tensorrt推理。

该repo提供了以下的工作：

• YOLOv4 contained with CSP-Darknet53;

• YOLOv7 arch with resnets backbone;

• GridMask augmentation from PP-YOLO included;

• Mosiac transform supported with a custom datasetmapper;

• YOLOv7 arch Swin-Transformer support (higher accuracy but lower speed);

• RandomColorDistortion, RandomExpand, RandomCrop, RandomFlip;

• CIoU loss (DIoU, GIoU) and label smoothing (from YOLOv5 & YOLOv4);

• YOLOv7 Res2net + FPN supported;

• Pyramid Vision Transformer v2 (PVTv2) supported

• YOLOX s,m,l backbone and PAFPN added, we have a new combination of YOLOX backbone and pafpn;

• YOLOv7 with Res2Net-v1d backbone, we found res2net-v1d have a better accuracy then darknet53;

• Added PPYOLOv2 PAN neck with SPP and dropblock;

• YOLOX arch added, now you can train YOLOX model (anchor free yolo) as well;

• DETR: transformer based detection model and onnx export supported, as well as TensorRT acceleration;

• AnchorDETR: Faster converge version of detr, now supported!

仓库提供了快速检测Quick start和train自己数据集的代码及操作流程，也提供了许多预训练模型可供下载，读者可依据自己的需要选择下载对应的检测模型。

快速运行demo代码

python3 demo.py --config-file configs/wearmask/darknet53.yaml --input ./datasets/wearmask/images/val2017 --opts MODEL.WEIGHTS output/model_0009999.pth

实例分割

python demo.py --config-file configs/coco/sparseinst/sparse_inst_r50vd_giam_aug.yaml --video-input ~/Movies/Videos/86277963_nb2-1-80.flv -c 0.4 --opts MODEL.WEIGHTS weights/sparse_inst_r50vd_giam_aug_8bc5b3.pth

基于detectron2新推出的LazyConfig系统，使用LazyConfig模型运行

python3 demo_lazyconfig.py --config-file configs/new_baselines/panoptic_fpn_regnetx_0.4g.py --opts train.init_checkpoint=output/model_0004999.pth

训练数据集

python train_net.py --config-file configs/coco/darknet53.yaml --num-gpus 1

如果你想训练YOLOX，使用 config file configs/coco/yolox_s.yaml

导出 ONNX && TensorRT && TVM

detr

python export_onnx.py --config-file detr/config/file

SparseInst

python export_onnx.py --config-file configs/coco/sparseinst/sparse_inst_r50_giam_aug.yaml --video-input ~/Videos/a.flv  --opts MODEL.WEIGHTS weights/sparse_inst_r50_giam_aug_2b7d68.pth INPUT.MIN_SIZE_TEST 512

具体的操作流程可以去原仓库看，都有详细的解析！

检测结果

参考链接

[1]https://manaai.cn/aisolution_detail.html?id=7[2]https://github.com/jinfagang/yolov7

文章来源: blog.csdn.net，作者：小小谢先生，版权归原作者所有，如需转载，请联系作者。

原文链接：blog.csdn.net/xiewenrui1996/article/details/124605570