YOLOv7 Tutorial: Meistere die Objekterkennung mit benutzerdefinierten Datensätzen

Verstehen von YOLOv7: Die nächste Evolution in der Objekterkennung

YOLOv7 revolutioniert das Gebiet der Computer Vision, indem es hochgeschwindigkeitsgenaue Objekterkennungsfähigkeiten bietet. Mit einer bemerkenswerten Geschwindigkeitsreichweite von 5 FPS bis 160 FPS glänzt das Modell mit einer beeindruckenden 56,8 % Durchschnittspräzision (AP) bei 30 FPS oder mehr, insbesondere auf der GPU V100. Diese Effizienz hebt YOLOv7 nicht nur von seinen Vorgängern und konkurrierenden Algorithmen ab, sondern etabliert es auch als eine Top-Wahl für Echtzeitanwendungen.

Warum YOLOv7 wählen?

Als bahnbrechende Weiterentwicklung im maschinellen Lernen bietet YOLOv7 mehrere überzeugende Gründe für seine Annahme:

• Erschwinglichkeit: YOLOv7 ermöglicht das Training mit bescheidenen Datensätzen, ohne dass vortrainierte Gewichte erforderlich sind, was es für Entwickler zugänglich macht.
• Vielseitigkeit: Die YOLOv7-tiny Variante ist besonders für Edge-Computing optimiert und ermöglicht eine effiziente Verarbeitung auf mobilen Geräten und verteilten Servern.
• Open Source-Wachstum: Das offizielle Papier mit dem Titel "YOLOv7: Trainierbare Bag-of-Freebies setzt neue Maßstäbe für Echtzeit-Objekterkenner" wurde im Juli 2022 veröffentlicht und erregte schnell Aufmerksamkeit mit 4,3k Sternen auf GitHub innerhalb eines Monats.

Erste Schritte mit YOLOv7

Diese Anleitung führt Sie durch die notwendigen Schritte, um das YOLOv7-Modell mit Ihrem benutzerdefinierten Datensatz neu zu trainieren und Vorhersagen auf Ihren Bildern durchzuführen.

Schritt 1: Hochladen Ihres Datensatzes

Beginnen Sie damit, Ihren Datensatz in Google Drive hochzuladen. Während dieses Tutorials die Verwendung des BCCD-Datensatzes von der Roboflow-Website demonstriert wird, können Sie gerne jeden Datensatz verwenden, der den YOLO-Formatanforderungen entspricht. Stellen Sie sicher, dass die Verzeichnisstruktur Ihres Datensatzes korrekt in einer Datei namens data.yaml konfiguriert ist.

Schritt 2: Einrichten Ihrer Umgebung

Als nächstes erstellen Sie ein neues Notizbuch in Google Colab:

1. Wählen Sie die Registerkarte 'Laufzeit'.
2. Klicken Sie auf 'Laufzeittyp ändern'.
3. Wählen Sie 'GPU' als Hardwarebeschleuniger und bestätigen Sie Ihre Änderungen.

Schritt 3: Code-Konfiguration

Um mit dem Codieren zu beginnen, stellen Sie zuerst eine Verbindung zu Ihrem Google Drive her:

from google.colab import drive

drive.mount('/content/drive')

Als nächstes klonen Sie das YOLOv7-Repository und installieren die notwendigen Abhängigkeiten:

!git clone https://github.com/WongKinYiu/yolov7.git
%cd yolov7
!pip install -r requirements.txt

Wählen Sie, mit welchem YOLOv7-Modell Sie arbeiten möchten, z.B. YOLOv7-tiny.

Schritt 4: Training des Modells

Sobald Sie Ihr Modell heruntergeladen haben, starten Sie das Training. Zögern Sie nicht, die Parameter nach Bedarf anzupassen:

!python train.py --img 640 --batch 16 --epochs 50 --data data.yaml --cfg cfg/training/yolov7-tiny.yaml --weights 'yolov7-tiny.pt'

Überwachen Sie den Trainingsprozess und notieren Sie die Leistungskennzahlen in Echtzeit zur Evaluierung. Darüber hinaus kann die Integration mit Experimentverfolgungstools wie W&B Ihre Trainings-Einblicke verbessern.

Schritt 5: Vorhersagen treffen

Nach dem Training testen Sie die Vorhersagefähigkeiten des Modells anhand eines Bildes aus Ihrem Validierungsdatensatz:

!python detect.py --weights yolov7-tiny.pt --source 'path_to_your_image'

Mit nur 18 Minuten Training können Sie die Ergebnisse der Fähigkeiten von YOLOv7 beobachten!

Fazit

YOLOv7 bietet überlegene Funktionalität und Leistung, was es zu einer ausgezeichneten Wahl für die effiziente Anwendungsentwicklung und -bereitstellung bei Objekterkennungsaufgaben macht. Nun, da Sie über Kenntnisse in YOLOv7 verfügen, ziehen Sie in Betracht, Ihre eigene KI-App zu erstellen!

Vielen Dank, dass Sie uns auf dieser aufregenden Reise mit YOLOv7 begleitet haben. Bleiben Sie dran für weitere Tutorials und Einblicke!