Tutorial de YOLOv7: Domina la Detección de Objetos con Conjuntos de Datos Personalizados

Entendiendo YOLOv7: La Siguiente Evolución en Detección de Objetos

YOLOv7 está revolucionando el campo de la visión por computadora al proporcionar capacidades de detección de objetos de alta velocidad y precisión. Operando dentro de un notable rango de velocidad de 5 FPS a 160 FPS, el modelo brilla con una impresionante 56.8% de Precisión Media (AP) a 30 FPS o más, especialmente en GPU V100. Esta eficiencia no solo diferencia a YOLOv7 de sus predecesores y algoritmos competidores, sino que también lo establece como una de las mejores opciones para aplicaciones en tiempo real.

¿Por qué Elegir YOLOv7?

Como un avance de vanguardia en aprendizaje automático, YOLOv7 ofrece varias razones convincentes para su adopción:

• Asequibilidad: YOLOv7 permite el entrenamiento en conjuntos de datos modestos sin requerir pesos preentrenados, lo que lo hace accesible para los desarrolladores.
• Versatilidad: La variante YOLOv7-tiny está particularmente optimizada para computación en la periferia, permitiendo un procesamiento eficiente en dispositivos móviles y servidores distribuidos.
• Crecimiento de Código Abierto: El artículo oficial titulado "YOLOv7: Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object Detectors" fue publicado en julio de 2022 y rápidamente atrajo atención con 4.3k estrellas en GitHub en un mes.

Comenzando con YOLOv7

Esta guía te llevará a través de los pasos necesarios para reentrenar el modelo YOLOv7 utilizando tu conjunto de datos personalizado y realizar predicciones en tus imágenes.

Paso 1: Subiendo Tu Conjunto de Datos

Comienza subiendo tu conjunto de datos a Google Drive. Aunque este tutorial demuestra el uso del Conjunto de Datos BCCD del sitio web de Roboflow, siéntete libre de utilizar cualquier conjunto de datos que cumpla con los requisitos de formato de YOLO. Asegúrate de que la estructura de archivos de tu conjunto de datos esté configurada correctamente en un archivo llamado data.yaml.

Paso 2: Configurando Tu Entorno

A continuación, crearás un nuevo cuaderno en Google Colab:

1. Selecciona la pestaña 'Runtime'.
2. Haz clic en 'Change runtime type'.
3. Elige 'GPU' como acelerador de hardware, luego confirma tus cambios.

Paso 3: Configuración del Código

Para comenzar a codificar, primero conéctate a tu Google Drive:

from google.colab import drive

drive.mount('/content/drive')

A continuación, clona el repositorio de YOLOv7 e instala las dependencias necesarias:

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

Elige con qué modelo de YOLOv7 te gustaría trabajar, por ejemplo, YOLOv7-tiny.

Paso 4: Entrenando el Modelo

Una vez que hayas descargado tu modelo, inicia el entrenamiento. No dudes en ajustar los parámetros según sea necesario:

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

Monitorea el proceso de entrenamiento, observando las métricas de rendimiento en tiempo real para su evaluación. Además, integrar herramientas de seguimiento de experimentos como W&B puede mejorar tus conocimientos de entrenamiento.

Paso 5: Haciendo Predicciones

Después del entrenamiento, prueba las capacidades de predicción del modelo utilizando una imagen de tu conjunto de datos de validación:

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

¡Con solo 18 minutos de entrenamiento, puedes observar los resultados de las capacidades de YOLOv7!

Conclusión

YOLOv7 ofrece una funcionalidad y rendimiento superiores, convirtiéndolo en una excelente opción para el desarrollo y despliegue eficientes en tareas de detección de objetos. Ahora, equipado con tu experiencia en YOLOv7, considera crear tu propia aplicación de IA.

¡Gracias por unirte a nosotros en este emocionante viaje con YOLOv7, y mantente atento a más tutoriales y perspectivas!