Modely a platformy AI

YOLOv7: Nejpokročilejší Algoritmus Pro Detekci Objektů?

Kunal Kejriwal
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyYOLOv7 zavádí metodu složeného škálování, která je speciálně navržena pro architektury…
Zobrazit více
  • YOLOv7 zavádí metodu složeného škálování, která je speciálně navržena pro architektury založené na konkatenaci, jako je ta jeho vlastní.
  • Algoritmus nahrazuje dynamické přiřazování štítků novým přístupem vedeným od hrubého k jemnému (coarse-to-fine lead guided) pro stabilitu tréninku.
  • YOLOv7 optimalizuje trénink pomocí 'trénovatelného balíčku zdarma' (trainable bag of freebies), který zlepšuje přesnost bez zvýšení nákladů na odvození (inference).

6. července 2022 bude označen jako významný den v historii umělé inteligence, protože právě tento den byl vydán YOLOv7. Od jeho vydání je YOLOv7 nejžhavějším tématem ve společenství vývojářů počítačového vidění a to z dobrých důvodů. YOLOv7 je již považován za milník v oblasti detekce objektů.

Brzy po zveřejnění článku o YOLOv7 se ukázalo, že je to nejrychlejší a nejpreciznější model detekce objektů v reálném čase. Ale co dělá YOLOv7 lepší než jeho předchůdce? Co způsobuje, že YOLOv7 je tak efektivní při provádění úloh počítačového vidění?

V tomto článku se pokusíme analyzovat model YOLOv7 a najít odpověď na to, proč se YOLOv7 stává průmyslovým standardem. Ale předtím musíme mít základní přehled o historii detekce objektů.

Co je detekce objektů?

Detekce objektů je odvětví počítačového vidění, které identifikuje a lokalizuje objekty v obraze nebo videu. Detekce objektů je stavebním kamenem mnoha aplikací, včetně autonomních vozidel, monitorovaných bezpečnostních systémů a dokonce i robotiky.

Model detekce objektů lze klasifikovat do dvou různých kategorií, jednostupňové detektory a vícestupňové detektory.

Detekce objektů v reálném čase

Abychom skutečně pochopili, jak YOLOv7 funguje, je důležité pochopit jeho hlavní cíl, „detekci objektů v reálném čase“. Detekce objektů v reálném čase je klíčovým komponentem moderního počítačového vidění. Modely detekce objektů v reálném čase se snaží identifikovat a lokalizovat objekty zájmu v reálném čase. Modely detekce objektů v reálném čase umožňují vývojářům efektivně sledovat objekty zájmu v pohyblivém rámci, jako je video nebo živý bezpečnostní vstup.

Modely detekce objektů v reálném čase jsou vlastně krok vpřed od konvenčních modelů detekce obrazů. Zatímco první jsou používány pro sledování objektů ve videích, druhé lokalizují a identifikují objekty v rámci statického obrazu.

Jako výsledek, modely detekce objektů v reálném čase jsou velmi efektivní pro videoanalytiku, autonomní vozidla, počítání objektů, sledování více objektů a mnoho dalšího.

Co je YOLO?

YOLO nebo „You Only Look Once“ je rodina modelů detekce objektů v reálném čase. Koncept YOLO byl poprvé představen v roce 2016 Josephem Redmonem a stal se okamžitě horkým tématem, protože byl mnohem rychlejší a přesnější než stávající algoritmy detekce objektů. Není divu, že algoritmus YOLO se stal standardem v oblasti počítačového vidění.

Základní koncept, který algoritmus YOLO navrhuje, je použití end-to-end neuronové sítě pomocí ohraničujících obdélníků a pravděpodobností tříd pro předpověď v reálném čase. YOLO se lišil od předchozích modelů detekce objektů v tom, že navrhl jiný přístup k detekci objektů novým využitím klasifikátorů.

Změna přístupu fungovala, protože YOLO brzy stal se průmyslovým standardem, protože rozdíl ve výkonu mezi ním a jinými modely detekce objektů v reálném čase byl významný. Ale co bylo důvodem, proč YOLO byl tak efektivní?

Když byl porovnán s YOLO, algoritmy detekce objektů v té době používaly Region Proposal Networks pro detekci možných oblastí zájmu. Proces rozpoznávání byl pak proveden na každé oblasti zvlášť. Jako výsledek, tyto modely často prováděly více iterací na stejném obraze a tudíž chyběla přesnost a vyšší čas provedení. Na druhé straně, algoritmus YOLO používá jednu plně propojenou vrstvu pro provedení předpovědi najednou.

Jak funguje YOLO?

Existují tři kroky, které vysvětlují, jak funguje algoritmus YOLO.

Předefinování detekce objektů jako jediný regresní problém

Algoritmus YOLO se snaží předefinovat detekci objektů jako jediný regresní problém, včetně obrazových pixelů, pravděpodobnosti tříd a souřadnice ohraničujících obdélníků. Tudíž, algoritmus musí vidět obraz pouze jednou, aby předpověděl a lokalizoval cílové objekty v obraze.

Posuzování obrazu jako celku

Dále, když algoritmus YOLO dělá předpovědi, posuzuje obraz jako celek. Liší se od technik založených na návrzích oblastí a posuvných oknech, protože algoritmus YOLO vidí celý obraz během trénování a testování na datasetu a je schopen zakódovat kontextuální informace o třídách a jak se objevují.

Před YOLO, Fast R-CNN byl jedním z nejpopulárnějších algoritmů detekce objektů, který nemohl vidět větší kontext v obraze, protože zaměňoval části pozadí za objekty. Když byl porovnán s Fast R-CNN algoritmem, YOLO je o 50% přesnější, když jde o chyby pozadí.

Generalizace reprezentace objektů

Nakonec, algoritmus YOLO také cílí na generalizaci reprezentace objektů v obraze. Jako výsledek, když byl algoritmus YOLO spuštěn na datasetu s přírodními obrazy a testován na výsledcích, YOLO překonal existující R-CNN modely s výrazným náskokem. Je to proto, že YOLO je vysoce generalizovatelný, šance, že se rozpadne při implementaci na neočekávané vstupy nebo nové domény, jsou malé.

YOLOv7: Co je nového?

Nyní, když máme základní přehled o tom, co jsou modely detekce objektů v reálném čase a co je algoritmus YOLO, je čas diskutovat o algoritmu YOLOv7.

Optimalizace trénovacího procesu

Algoritmus YOLOv7 se snaží optimalizovat nejen architekturu modelu, ale také trénovací proces. Cílí na použití optimalizačních modulů a metod pro zlepšení přesnosti detekce objektů, případně za cenu náročnějšího trénování, ale bez zvýšení nákladů na inferenci. Tyto optimalizační moduly lze nazvat trénovatelnou sadou vylepšení bez dodatečných nákladů při inferenci (bag of freebies).

Přiřazování štítků od hrubých k jemným řízené hlavní hlavou

Algoritmus YOLOv7 plánuje použít nový Přiřazování štítků od hrubých k jemným řízené hlavní hlavou místo konvenčního Dynamické přiřazování štítků. Je to proto, že s dynamickým přiřazováním štítků, trénování modelu s více výstupními vrstvami způsobuje některé problémy, nejčastěji, jak přiřadit dynamické cíle pro různé větve a jejich výstupy.

Reparametrizace modelu

Reparametrizace modelu je důležitý koncept v detekci objektů a jeho použití je obecně doprovázeno některými problémy během trénování. Algoritmus YOLOv7 plánuje použít koncept cesty šíření gradientu pro analýzu strategií reparametrizace modelu aplikovaných na různé vrstvy v síti.

Rozšířené a kombinované škálování

Algoritmus YOLOv7 také zavádí rozšířené a složené metody škálování pro využití a efektivní použití parametrů a výpočtů pro detekci objektů v reálném čase.

YOLOv7: Související práce

Detekce objektů v reálném čase

YOLO je aktuálně průmyslovým standardem a většina modelů detekce objektů v reálném čase nasazuje algoritmy YOLO a FCOS (Fully Convolutional One-Stage Object-Detection). Špičkový model detekce objektů v reálném čase obvykle má následující charakteristiky

  • Silnější a rychlejší architektura sítě.
  • Efektivní metoda integrace příznaků.
  • Přesná metoda detekce objektů.
  • Robustní ztrátová funkce.
  • Efektivní metoda přiřazování štítků.
  • Efektivní trénovací metoda.

Algoritmus YOLOv7 nepoužívá učení s vlastním dohledem a destilaci, které často vyžadují velké množství dat. Naopak, algoritmus YOLOv7 používá metodu trénovatelné sady vylepšení bez dodatečných nákladů při inferenci.

Reparametrizace modelu

Reparametrizace modelu je považován za metodu kombinování modelů, která kombinuje více výpočetních modulů ve fázi inference. Tato technika může být dále rozdělena do dvou kategorií, kombinování na úrovni modelu a kombinování na úrovni modulu.

Nyní, aby se získal výsledný model pro inferenci, technika reparametrizace na úrovni modelu používá dvě praktiky. První praktika používá různé trénovací data pro trénování mnoha identických modelů a poté průměruje váhy trénovaných modelů. Alternativně, druhá praktika průměruje váhy modelů během různých iterací.

Reparametrizace na úrovni modulu v poslední době získává obrovskou popularitu, protože rozděluje modul do různých modulů nebo identických větví během trénovací fáze a poté integruje tyto různé větve do ekvivalentního modulu během inference.

Nicméně, techniky reparametrizace nemohou být aplikovány na všechny typy architektur. Je to důvod, proč algoritmus YOLOv7 používá nové techniky reparametrizace modelu pro návrh souvisejících strategií pro různé architektury.

Škálování modelu

Škálování modelu je proces škálování existujícího modelu, aby se vešel do různých výpočetních zařízení. Škálování modelu obvykle využívá počet vrstev (hloubku), velikost vstupních obrazů (rozlišení), počet úrovní pyramidy příznaků (fáze) a počet kanálů (šířku). Tyto faktory jsou důležité pro vyvážení počtu parametrů, výpočetní náročnosti, rychlosti inference a přesnosti modelu.

Jednou z nejčastěji používaných metod škálování je NAS nebo Network Architecture Search, který automaticky hledá vhodné škálovací faktory prohledáváním prostoru architektur bez jakýchkoliv složitých pravidel. Hlavní nevýhodou použití NAS je, že je to nákladný přístup pro hledání vhodných škálovacích faktorů.

Téměř každý metoda škálování modelu analyzuje jednotlivé a jedinečné škálovací faktory nezávisle a dále je optimalizuje nezávisle. Je to proto, že NAS architektura pracuje s nekorrelačními škálovacími faktory.

Je vhodné poznamenat, že modely založené na konkatenaci, jako je VoVNet nebo DenseNet, mění vstupní šířku některých vrstev, když je hloubka modelu škálována. YOLOv7 pracuje na navrhované architektuře založené na konkatenaci a proto používá metodu kombinovaného škálování.

Obrázek výše porovnává rozšířené efektivní vrstvy agregace (E-ELAN) různých modelů. Navrhovaná metoda E-ELAN zachovává cestu šíření gradientu původní architektury, ale cílí na zvýšení kardinality přidávaných příznaků pomocí skupinové konvoluce. Proces může zlepšit příznaky naučené různými mapami a může dále využít výpočty a parametry.

YOLOv7 Architektura

Model YOLOv7 používá YOLOv4, YOLO-R a Scaled YOLOv4 modely jako svou základnu. YOLOv7 je výsledkem experimentů provedených na těchto modelech pro zlepšení výsledků a učinit model více přesným.

Extended Efficient Layer Aggregation Network nebo E-ELAN

E-ELAN je základním stavebním kamenem modelu YOLOv7 a je odvozen od již existujících modelů na síťové efektivitě, hlavně ELAN.

Hlavními úvahami při navrhování efektivní architektury jsou počet parametrů, výpočetní hustota a množství výpočtu. Další modely také zvažují faktory, jako je vliv vstupní/výstupní kanálové poměr, větve v architektuře sítě, rychlost inference sítě, počet prvků v tensoru konvoluční sítě a další.

Model CSPVoVNet nejen zvažuje výše uvedené parametry, ale také analyzuje cesty gradientu aby se váhy různých vrstev mohly naučit rozmanitější příznaky. Díky tomuto přístupu probíhá inference rychleji a přesněji. Architektura ELAN cílí na návrh efektivní sítě pro řízení nejkratších a nejdelších cest gradientu, aby síť mohla být více efektivní v učení a konvergenci.

ELAN již dosáhl stabilního stavu bez ohledu na počet vrstev výpočetních bloků a délku cesty gradientu. Stabilní stav by mohl být zničen, pokud by výpočetní bloky byly neomezeně vršeny a míra využití parametrů by se snížila. Navrhovaná E-ELAN architektura může řešit problém tím, že využívá rozšíření, promíchání a sloučení kardinality k průběžnému zlepšování schopnosti sítě učit se při zachování původní cesty gradientu.

Navíc, když porovnáme architekturu E-ELAN s ELAN, jediný rozdíl je v komputačním bloku, zatímco přechodová vrstva architektura je nezměněna.

E-ELAN navrhuje expandovat kardinalitu komputačních bloků a expandovat kanál pomocí skupinové konvoluce. Mapa příznaků bude poté vypočtena a rozdělena do skupin podle parametru počtu skupin a poté budou sloučeny dohromady. Počet kanálů v každé skupině zůstane stejný jako v původní architektuře. Nakonec se skupiny map příznaků sečtou, čímž se sloučí jejich kardinalita.

Škálování modelů založených na konkatenaci

Škálování modelu pomáhá upravit atributy modelů, aby generoval modely podle požadavků a různých měřítek pro různé rychlosti inference.

Obrázek výše mluví o škálování modelu pro různé modely založené na konkatenaci. Jak můžete vidět v obrázku (a) a (b), výstupní šířka komputačního bloku se zvyšuje s hloubkou modelu. Výsledkem je zvětšení vstupní šířky přechodových vrstev. Při použití těchto metod v architektuře založené na konkatenaci se škáluje hloubka, jak ukazuje část (c) obrázku.

Je možné tedy uzavřít, že není možné analyzovat škálovací faktory nezávisle pro modely založené na konkatenaci a spíše je musí být zvažovány společně. Proto, pro model založený na konkatenaci, je vhodné použít odpovídající metodu kombinovaného škálování modelu. Navíc, když je hloubka faktor škálován, výstupní kanál bloku musí být také škálován.

Trénovatelná vylepšení bez dodatečných nákladů při inferenci

Trénovatelná vylepšení bez dodatečných nákladů při inferenci je termín, který vývojáři používají pro popis sady metod nebo technik, které mohou změnit trénovací strategii nebo náklady v pokusu o zvýšení přesnosti modelu. Co jsou tyto trénovatelné sady vylepšení bez dodatečných nákladů při inferenci v YOLOv7? Pojďme se podívat.

Plánovaná reparametrizovaná konvoluce

Algoritmus YOLOv7 používá cesty šíření gradientu pro určení, jak ideálně kombinovat síť s reparametrizovanou konvolucí. Tento přístup algoritmu YOLOv7 je pokus o nápravu RepConv algoritmu, který, ačkoli funguje dobře na VGG modelu, funguje špatně, když je aplikován přímo na DenseNet a ResNet modely.

Pro identifikaci spojení v konvoluční vrstvě, RepConv algoritmus kombinuje 3×3 konvoluci a 1×1 konvoluci. Pokud analyzujeme algoritmus, jeho výkon a architekturu, budeme moci pozorovat, že RepConv ničí konkatenaci v DenseNet a reziduální v ResNet.

Obrázek výše ukazuje plánovaný reparametrizovaný model. Je vidět, že algoritmus YOLOv7 našel, že vrstva v síti s konkatenací nebo reziduálními spojeními by neměla mít identitní spojení v RepConv algoritmu. Výsledkem je, že je přijatelné přepnout na RepConvN bez identitního spojení.

Hrubé štítky pro pomocnou a jemné pro hlavní ztrátovou funkci

Hluboký dohled je odvětví počítačové vědy, které často nachází své použití v trénovacím procesu hlubokých sítí. Základní princip hluboké supervize je, že přidává další pomocnou hlavu ve středních vrstvách sítě spolu s mělkými váhami sítě a pomocnou ztrátou jako vůdcem. Algoritmus YOLOv7 označuje hlavu, která je zodpovědná za konečný výstup jako hlavní hlavu a pomocnou hlavu jako hlavu, která podporuje trénování.

Pokračujeme, YOLOv7 používá jinou metodu pro přiřazování štítků. Konvenčně, štítky byly generovány přímo z referenčních anotací a na základě daného souboru pravidel. Nicméně, v posledních letech, distribuce a kvalita předpovědi vstupu hraje důležitou roli při generování spolehlivého štítku. YOLOv7 generuje měkký štítek objektu pomocí předpovědí ohraničujících obdélníků a referenčních anotací.

Navíc, nová metoda přiřazování štítků algoritmu YOLOv7 používá předpovědi hlavní hlavy k vedení hlavní i pomocné hlavy. Metoda přiřazování štítků má dvě navrhované strategie.

Přiřazovač štítků řízený hlavní hlavou

Strategie dělá výpočty na základě předpovědí hlavní hlavy a referenčních anotací a poté používá optimalizaci pro generování měkkých štítků. Tyto měkké štítky se poté používají jako trénovací cíle pro hlavní i pomocnou hlavu.

Strategie funguje na předpokladu, že, protože hlavní hlava má větší učební schopnost, štítky, které generuje, by měly být více reprezentativní a korelovat mezi zdrojem a cílem.

Přiřazovač hrubých a jemných štítků řízený hlavní hlavou

Tato strategie také dělá výpočty na základě předpovědí hlavní hlavy a referenčních anotací a poté používá optimalizaci pro generování měkkých štítků. Nicméně, existuje jeden klíčový rozdíl. V této strategii existují dvě sady měkkých štítků, hrubá úroveň a jemný štítek.

Hrubý štítek je generován relaxací omezení pozitivního vzorku

přiřazování procesu, který zachází s více mřížkami jako pozitivními cíli. Je to proto, aby se zabránilo riziku ztráty informací kvůli slabší učební síle pomocné hlavy.

Obrázek výše vysvětluje použití trénovatelné sady vylepšení bez dodatečných nákladů při inferenci v algoritmu YOLOv7. Ukazuje hrubé štítky pro pomocnou hlavu a jemné pro hlavní hlavu. Když srovnáme model s pomocnou hlavou (b) s normálním modelem (a), budeme moci pozorovat, že schéma v (b) má pomocnou hlavu, zatímco v (a) ne.

Obrázek (c) ukazuje společný nezávislý přiřazovač štítků, zatímco obrázek (d) a (e) reprezentují Lead Guided Assigner a Coarse-to-Fine Lead Guided Assigner používané YOLOv7.

Další trénovatelná vylepšení bez zvýšení nákladů na inferenci

Kromě výše uvedených, algoritmus YOLOv7 používá další trénovatelné sady vylepšení bez dodatečných nákladů při inferenci, i když nebyly původně navrženy jimi. Jsou

  • Normalizace dávek v technologii Conv-Bn-Activation: Tato strategie se používá pro přímé spojení konvoluční vrstvy s vrstvou normalizace dávek.
  • Implicitní znalosti v YOLOR: Algoritmus YOLOv7 kombinuje tuto strategii s konvoluční mapou příznaků.
  • EMA model: EMA model se používá jako konečný referenční model v YOLOv7, i když jeho primární použití je v mean teacher metodě.

YOLOv7: Experimenty

Experimentální nastavení

Algoritmus YOLOv7 používá Microsoft COCO dataset pro trénování a validaci svého modelu detekce objektů a ne všechny tyto experimenty používají předtrénovaný model. Vývojáři použili 2017 trénovací dataset pro trénování a 2017 validační dataset pro výběr hyperparametrů. Nakonec, výkon algoritmu YOLOv7 je porovnán se špičkovými algoritmy detekce objektů.

Vývojáři navrhli základní model pro okrajová GPU (YOLOv7-tiny), normální GPU (YOLOv7) a cloud GPU (YOLOv7-W6). Navíc, algoritmus YOLOv7 také používá základní model pro škálování modelu podle různých služeb požadavků a získává různé modely. Pro algoritmus YOLOv7 je škálování počtem bloků provedeno v části neck propojující extraktor příznaků s detekční hlavou a navrhované kombinované metody jsou použity pro zvětšování hloubky a šířky modelu.

Baseline

Algoritmus YOLOv7 používá předchozí YOLO modely a YOLOR objekt detekční algoritmus jako svou baseline.

Obrázek výše porovnává baseline modelu YOLOv7 s jinými modely detekce objektů a výsledky jsou zcela zřejmé. Když je porovnán s YOLOv4 algoritmem, YOLOv7 nejenom používá 75% méně parametrů, ale také používá 15% méně výpočtu a má 0,4% vyšší přesnost.

Porovnání se špičkovými modely detekce objektů

Obrázek výše ukazuje výsledky, když je YOLOv7 porovnán se špičkovými modely detekce objektů pro mobilní a obecné GPU. Je vidět, že metoda navrhovaná algoritmem YOLOv7 má nejlepší kompromis mezi rychlostí a přesností.

Ablační studie: Navrhovaná metoda kombinovaného škálování

Obrázek výše porovnává výsledky použití různých strategií pro zvětšování modelu. Škálovací strategie v modelu YOLOv7 škáluje hloubku komputačního bloku 1,5krát a škáluje šířku 1,25krát.

Když je porovnán s modelem, který pouze škáluje hloubku, model YOLOv7 funguje lépe o 0,5%, zatímco používá méně parametrů a výpočtů. Na druhé straně, když je porovnán s modely, které pouze škáluje hloubku, přesnost YOLOv7 je zlepšena o 0,2%, ale počet parametrů musí být škálován o 2,9% a výpočet o 1,2%.

Navrhovaný plánovaný reparametrizovaný model

Aby ověřil obecnost svého navrhovaného re-parametrizovaného modelu, algoritmus YOLOv7 používá jej na založený na reziduálních spojeních a model založený na konkatenaciech pro ověření. Pro ověření, algoritmus YOLOv7 používá 3-stacked ELAN pro model založený na konkatenaci a CSPDarknet pro založený na reziduálních spojeních model.

Pro model založený na konkatenaci, algoritmus YOLOv7 nahrazuje 3×3 konvoluční vrstvy v 3-stacked ELAN s RepConv. Obrázek níže ukazuje podrobnou konfiguraci Planned RepConv a 3-stacked ELAN.

Navíc, když je zpracováván založený na reziduálních spojeních model, algoritmus YOLOv7 používá reverse dark block, protože původní dark block nemá 3×3 konvoluční blok. Obrázek níže ukazuje architekturu Reversed CSPDarknet, která obrací pozice 3×3 a 1×1 konvolučních vrstev.

Navrhovaná pomocná ztráta pro pomocnou hlavu

Pro pomocnou ztrátu pro pomocnou hlavu, model YOLOv7 porovnává nezávislé přiřazování štítků pro pomocnou a hlavní hlavu.

Obrázek výše obsahuje výsledky studie o navrhované pomocné hlavě. Je vidět, že celkový výkon modelu se zvyšuje se zvyšující se pomocnou ztrátou. Navíc, přiřazování štítků řízené hlavní hlavou navrhovaný algoritmem YOLOv7 funguje lépe než nezávislé strategie přiřazování štítků.

YOLOv7 Výsledky

Na základě výše uvedených experimentů, zde jsou výsledky výkonu YOLOv7 ve srovnání s jinými algoritmy detekce objektů.

Obrázek výše porovnává model YOLOv7 s jinými algoritmy detekce objektů a je vidět, že YOLOv7 překonává ostatní modely detekce objektů v termínech Průměrné přesnosti (AP) vs. dávková inference.

Navíc, níže uvedený obrázek porovnává výkon YOLOv7 s jinými modely detekce objektů v reálném čase. Opět, YOLOv7 překonává ostatní modely v termínech celkového výkonu, přesnosti a efektivity.

Zde jsou další poznatky z výsledků a výkonu YOLOv7.

  1. YOLOv7-Tiny je nejmenším modelem v rodině YOLO, s více než 6 miliony parametrů. YOLOv7-Tiny má průměrnou přesnost 35,2% a překonává YOLOv4-Tiny modely s porovnatelnými parametry.
  2. Model YOLOv7 má více než 37 milionů parametrů a překonává modely s vyšším počtem parametrů, jako je YOLov4.
  3. Model YOLOv7 má nejvyšší mAP a FPS rychlost v rozmezí 5 až 160 FPS.

Závěr

YOLO nebo You Only Look Once je špičkovým modelem detekce objektů v moderním počítačovém vidění. Algoritmus YOLO je známý pro svou vysokou přesnost a efektivitu a jako výsledek, nachází široké uplatnění v reálném čase detekce objektů. Od doby, kdy byl první algoritmus YOLO představen v roce 2016, experimenty umožnily vývojářům zlepšit model kontinuálně.

Model YOLOv7 je nejnovějším přídavkem do rodiny YOLO a je nejvýkonnějším YOLO algoritmem do dneška. V tomto článku, jsme mluvili o základech YOLOv7 a snažili se vysvětlit, co dělá YOLOv7 tak efektivní.

Kunal Kejriwal je backendový inženýr specializující se na Python, PostgreSQL, Redis a cloudovou infrastrukturu na GCP a AWS. Má tři roky zkušeností s vývojem a škálováním produkčních systémů a píše o AI infrastruktuře, distribuovaných systémech a architektuře nasazování pracovních zátěží strojového učení.