yolov7在工业中的小试牛刀

来源：投稿 作者：某一个名字
编辑：学姐

导语

目标检测作为视觉项目中的重要一环被工业界广泛应用，考虑到检测速度与精度，使用最多的非yolo系列莫属。

随着yolov5的提出，由于其对于工业数据很强的适应性，使得该算法模型一直处于霸屏的位置。

而yolov7的面世，对yolov5发起了直接的挑战，经过一些数据集的检验在速度与准确度方面有过之而无不及。

现在就开始介绍下yolov7工业应用的相关步骤，希望在大家的实际项目中能够有所帮助。

1、yolov7算法解读

yolov7总体来说在重参化模块、动态标签替换这两方面进行了一些优化。对于结构重参化来说，yolov7通过分析梯度的传播路径来为网络中的不同层进行结构重参化优化，并且提出了不同规划的模型结构重参化。

在动态标签分配方面，因为模型有多个输出层，所以在训练时就难以为不同的分支分配更好地动态目标。因此作者提出了一个新的动态标签分配办法：coarse-to-fine，即由粗到细引导标签分配的策略。

除了以上两点，作者还提出了扩展和复合缩放的方式，通过这种方式可以更高效利用参数量和计算量。这样不仅可以减少大量参数，还可以提高推理速度以及检测精度。

从最终的实验结果来看，作者开源出来的yolov7已经获得了最先进的结果，是目前最新、最高效的目标检测器。

yolov7检测效果对比图

2、代码库地址以及版本

2.1 代码库地址：

https://github.com/WongKinYiu/yolov7

2.2 版本选择

3、环境安装

环境安装教程以及注意事项可参考本人分享的文章《基于deeplabv3+的工业应用流程分析》。我使用的版本为：

4、模型训练

4.1训练数据处理

1）首先使用labelimg工具进行标注，得到的是xml标签文件，此时需要将xml转换成训练所需的txt格式，转换代码是：

2）转换完成后数据文件夹设置，如下所示分别存好图片数据以及标签txt数据集即可：

4.2模型训练

1）数据集路径以及类别的设置：

2）该代码库对于模型训练参数的更改设置均在train.py文件中，通常无需更改直接运行即可。

5、模型导出

本篇就以openvino为例来说明下目标检测模型的部署流程，运行export.py文件，只需将导出权重文件weights参数换成训练得到的best.pt即可，最终得到一个best.onnx文件。

6、模型部署

6.1 基于Windows的openvino安装以及vs2019配置在之前分享的文章《浅谈mobilenet网络在工业数据分类中的应用》已有描述，按照步骤操作即可完成。

6.2 基于openvino的部署代码如下

至此部署代码就结束了，大家可以移用到yolo系列其他模型的部署当中。

结语

此篇分享完毕，工业应用中的分类、语义分割、目标检测就都已一一介绍，其中涉及到算法模型的训练以及部署工具的使用，希望能够在各自的学习或者工作实践中起到普及的作用，后续会继续细致化分享系统算法、GPU部署相关的知识，但愿大家能够喜欢，谢谢！

点击卡片关注【学姐带你玩AI】

回复“YOLO”领取论文+代码数据集