基于OpenVINO工具套件简单实现YOLOv7预训练模型的部署_附带预训练模型

●一、YOLOv7简介●

还在用yolov3/yolov5做项目嘛，那已经过时了（至少从知识的新鲜程度上讲）。下面教你一文实现最新的yolov7的模型部署（在版本上压制对手）。
！！！！！！重点是这个程序中的预训练模型在github官网上的下载速度很快，不会出现v3系列那种pth文件下载速度慢断流的问题。作者也为大家准备了其中的：yolov7.pt预训练模型。

官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。在5FPS到160FPS的范围内，无论是速度或是精度，YOLOv7都超过了目前已知的检测器，并且在GPU V100上进行测试， 精度为56.8% AP的模型可达到30 FPS（batch=1）以上的检测速率，与此同时，这是目前唯一一款在如此高精度下仍能超过30FPS的检测器。

论文链接：https://arxiv.org/abs/2207.02696

代码链接：https://github.com/WongKinYiu/yolov7

●二、预训练模型准备●

• 模型权重下载

  可以从官方github仓库提供的链接中下载基于COCO数据集的YOLOv7预训练模型权重。

Model	Test Size	APtest	AP50test	AP75test	batch 1 fps	batch 32 average time
YOLOv7	640	51.4%	69.7%	55.9%	161 fps	2.8 ms
YOLOv7-x	640	53.1%	71.2%	57.8%	114 fps	4.3ms
YOLOv7-W6	1280	54.9%	72.6%	60.1%	84 fps	7.6 ms
YOLOv7-E6	1280	56.0%	73.5%	61.2%	56 fps	12.3 ms
YOLOv7-D6	1280	56.6%	74.0%	61.8%	44 fps	15.0 ms
YOLOv7-E6E	1280	56.8%	74.4%	62.1%	36 fps	18.7 ms

• 模型转换

  可以从官方github仓库提供的链接中下载基于COCO数据集的YOLOv7预训练模型权重。

# 下载YOLOv7官方仓库：

$ git clone [email protected]:WongKinYiu/yolov7.git

$ cd yolov7/models

$ python export.py --weights yolov7.pt

**如果执行上面的命令发现模型下载速度慢或者断流，直接按照下面的链接下载yolov7.pth，然后根据程序指引手动将预训练模型放置在指定位置。

yolov7下载地址：https://download.csdn.net/download/qq_44949041/86796489**

●三、模型部署●

通过Netron工具打开yolov7.onnx文件后可以看到，官方提供的预训练模型的output部分包含三个特征层的预测结果，因此需要根据每一层的先验框（anchor）对输出数据进行调整后，再进行堆叠。

由于YOLOv7的模型前后处理基本和YOLOv5一致，大部分数据处理模块可以直接复用。话不多说直接上代码：

●六、运行结果●

运行python示例后，会在本地data目录下生成代bounding box以及label的图片，这里我们用到官方仓库中附带的马匹数据进行测试，具体结果如下：

# 运行代码

$ python YOLOV7.py -i horse.jpg -m yolov7.onnx
 
   
   
   
   

Github地址：

https://github.com/OpenVINO-dev-contest/YOLOv7_OpenVINO

--END--