Μοντέλα και πλατφόρμες AI
YOLOv7: Ο πιο προηγμένος αλγόριθμος ανίχνευσης αντικειμένων;

Βασικά σημείαΤο YOLOv7 εισάγει μια σύνθετη μέθοδο κλιμάκωσης ειδικά σχεδιασμένη για αρχιτεκτονικές…
Δείτε περισσότερα
- Το YOLOv7 εισάγει μια σύνθετη μέθοδο κλιμάκωσης ειδικά σχεδιασμένη για αρχιτεκτονικές βασισμένες σε συνένωση, όπως η δική του.
- Ο αλγόριθμος αντικαθιστά τη δυναμική ανάθεση ετικετών με μια νέα προσέγγιση οδήγησης από χονδρική σε λεπτομερή για σταθερότητα κατά την εκπαίδευση.
- Το YOLOv7 βελτιστοποιεί την εκπαίδευση μέσω ενός 'εκπαιδεύσιμου συνόλου δωρεάν βελτιώσεων' που αυξάνει την ακρίβεια χωρίς να αυξάνει το κόστος συμπερασμού.
Η 6η Ιουλίου 2022 θα μείνει ως ορόσημο στην ιστορία της τεχνητής νοημοσύνης: εκείνη την ημέρα κυκλοφόρησε το YOLOv7. Από τότε βρίσκεται στο επίκεντρο των συζητήσεων της κοινότητας προγραμματιστών υπολογιστικής όρασης, και δικαιολογημένα. Θεωρείται ήδη σημαντικός σταθμός στην ανίχνευση αντικειμένων.
Λίγο μετά τη δημοσίευση της επιστημονικής εργασίας για το YOLOv7, αναδείχθηκε ως το ταχύτερο και ακριβέστερο μοντέλο ανίχνευσης αντικειμένων σε πραγματικό χρόνο. Πώς όμως ξεπερνά τους προκατόχους του; Τι το κάνει τόσο αποδοτικό στις εργασίες υπολογιστικής όρασης;
Σε αυτό το άρθρο θα αναλύσουμε το YOLOv7 και θα εξετάσουμε γιατί γίνεται πρότυπο του κλάδου. Πρώτα, όμως, χρειάζεται μια σύντομη αναδρομή στην ιστορία της ανίχνευσης αντικειμένων.
Τι είναι η ανίχνευση αντικειμένων;
Η ανίχνευση αντικειμένων είναι κλάδος της υπολογιστικής όρασης που αναγνωρίζει αντικείμενα και προσδιορίζει τη θέση τους σε εικόνες ή αρχεία βίντεο. Αποτελεί τη βάση πολλών εφαρμογών, όπως τα αυτοοδηγούμενα οχήματα, τα συστήματα επιτήρησης και η ρομποτική.
Τα μοντέλα ανίχνευσης αντικειμένων μπορούν να χωριστούν σε δύο κατηγορίες: ανιχνευτές ενός περάσματος και ανιχνευτές πολλαπλών περασμάτων.
Ανίχνευση αντικειμένων σε πραγματικό χρόνο
Για να κατανοήσουμε το YOLOv7, πρέπει να γνωρίζουμε τον κύριο στόχο του:την ανίχνευση αντικειμένων σε πραγματικό χρόνο. Πρόκειται για βασικό στοιχείο της σύγχρονης υπολογιστικής όρασης. Αυτά τα μοντέλα επιχειρούν να αναγνωρίζουν και να εντοπίζουν τα αντικείμενα ενδιαφέροντος άμεσα, επιτρέποντας στους προγραμματιστές να τα παρακολουθούν αποδοτικά σε κινούμενες εικόνες, όπως βίντεο ή ζωντανές ροές επιτήρησης.

Τα μοντέλα πραγματικού χρόνου προχωρούν ένα βήμα πέρα από τα συμβατικά μοντέλα ανίχνευσης σε εικόνες. Τα πρώτα παρακολουθούν αντικείμενα σε βίντεο, ενώ τα δεύτερα αναγνωρίζουν και εντοπίζουν αντικείμενα σε ένα στατικό καρέ, όπως μια εικόνα.
Έτσι, τα μοντέλα πραγματικού χρόνου είναι ιδιαίτερα αποδοτικά στην ανάλυση βίντεο, στα αυτόνομα οχήματα, στην καταμέτρηση αντικειμένων, στην παρακολούθηση πολλών αντικειμένων και σε άλλες εφαρμογές.
Τι είναι το YOLO;
Το YOLO, συντομογραφία του «You Only Look Once», δηλαδή «κοιτάς μόνο μία φορά», είναι οικογένεια μοντέλων ανίχνευσης αντικειμένων σε πραγματικό χρόνο. Ο Joseph Redmon παρουσίασε την ιδέα το 2016 και σχεδόν αμέσως προσέλκυσε μεγάλο ενδιαφέρον, επειδή ήταν πολύ ταχύτερη και ακριβέστερη από τους υπάρχοντες αλγορίθμους. Σύντομα το YOLO έγινε πρότυπο στην υπολογιστική όραση.

Η βασική ιδέα του YOLO είναι η χρήση ενός νευρωνικού δικτύου από άκρο σε άκρο, με οριοθετικά πλαίσια και πιθανότητες κλάσεων για προβλέψεις σε πραγματικό χρόνο. Διαφοροποιήθηκε από τα προηγούμενα μοντέλα επαναχρησιμοποιώντας ταξινομητές με διαφορετικό τρόπο για την ανίχνευση αντικειμένων.
Η αλλαγή λειτούργησε: το σημαντικό πλεονέκτημα επιδόσεων έναντι άλλων αλγορίθμων πραγματικού χρόνου έκανε το YOLO γρήγορα πρότυπο του κλάδου. Από πού προερχόταν όμως αυτή η αποδοτικότητα;
Οι αλγόριθμοι της εποχής χρησιμοποιούσαν δίκτυα προτάσεων περιοχών για να εντοπίσουν πιθανά σημεία ενδιαφέροντος και στη συνέχεια αναγνώριζαν κάθε περιοχή χωριστά. Έτσι επεξεργάζονταν συχνά την ίδια εικόνα πολλές φορές, με χαμηλότερη ακρίβεια και μεγαλύτερο χρόνο εκτέλεσης. Αντίθετα, το YOLO χρησιμοποιεί ένα πλήρως συνδεδεμένο επίπεδο για να κάνει την πρόβλεψη με μία μόνο διέλευση.
Πώς λειτουργεί το YOLO;
Η λειτουργία του YOLO μπορεί να εξηγηθεί σε τρία βήματα.
Αναδιατύπωση της ανίχνευσης ως ενός προβλήματος παλινδρόμησης
Ο αλγόριθμος YOLO επιχειρεί να αναδιατυπώσει την ανίχνευση αντικειμένων ως ένα ενιαίο πρόβλημα παλινδρόμησης, από τα εικονοστοιχεία της εικόνας στις πιθανότητες κλάσεων και στις συντεταγμένες των οριοθετικών πλαισίων. Χρειάζεται επομένως να εξετάσει την εικόνα μόνο μία φορά για να προβλέψει και να εντοπίσει τα αντικείμενα-στόχους.
Εξέταση της εικόνας ως συνόλου
Επιπλέον, όταν κάνει προβλέψεις, το YOLO εξετάζει συνολικά την εικόνα. Σε αντίθεση με τις τεχνικές προτάσεων περιοχών ή ολισθαινόντων παραθύρων, βλέπει ολόκληρη την εικόνα κατά την εκπαίδευση και τη δοκιμή, κωδικοποιώντας πληροφορίες για το πλαίσιο των κλάσεων και τον τρόπο εμφάνισής τους.
Πριν από το YOLO, το Fast R-CNN ήταν από τους δημοφιλέστερους αλγορίθμους, αλλά δεν αντιλαμβανόταν το ευρύτερο πλαίσιο και μπέρδευε τμήματα του φόντου με αντικείμενα. Σε σύγκριση με το Fast R-CNN, το YOLO είναι κατά 50% ακριβέστερο ως προς τα σφάλματα που σχετίζονται με το φόντο.
Γενίκευση των αναπαραστάσεων αντικειμένων
Το YOLO επιδιώκει επίσης να γενικεύει τις αναπαραστάσεις αντικειμένων. Όταν εκτελέστηκε και αξιολογήθηκε σε σύνολο φυσικών εικόνων, ξεπέρασε τα υπάρχοντα μοντέλα R-CNN με μεγάλη διαφορά. Η υψηλή ικανότητα γενίκευσης μείωνε την πιθανότητα αποτυχίας με απρόβλεπτες εισόδους ή σε νέα πεδία εφαρμογής.
YOLOv7: τι νέο φέρνει;
Αφού γνωρίζουμε πλέον τα βασικά της ανίχνευσης σε πραγματικό χρόνο και του YOLO, μπορούμε να εξετάσουμε το YOLOv7.
Βελτιστοποίηση της διαδικασίας εκπαίδευσης
Το YOLOv7 επιδιώκει να βελτιστοποιήσει τόσο την αρχιτεκτονική όσο και την εκπαίδευση του μοντέλου. Χρησιμοποιεί μονάδες και μεθόδους βελτιστοποίησης για να αυξήσει την ακρίβεια ανίχνευσης, προσαρμόζοντας το κόστος εκπαίδευσης αλλά διατηρώντας το κόστος εξαγωγής συμπερασμάτων. Αυτές οι μονάδες αποτελούν ένα σύνολο εκπαιδεύσιμων τεχνικών χωρίς πρόσθετο κόστος κατά την εξαγωγή συμπερασμάτων, ή «trainable bag of freebies».
Ανάθεση ετικετών από αδρή σε λεπτομερή, καθοδηγούμενη από την κύρια κεφαλή
Το YOLOv7 προτείνει μια νέα ανάθεση ετικετών από αδρή σε λεπτομερή, με καθοδήγηση της κύριας κεφαλής, αντί της συμβατικής δυναμικής ανάθεσης ετικετών. Η δυναμική ανάθεση δημιουργεί προβλήματα στην εκπαίδευση μοντέλων με πολλά επίπεδα εξόδου, κυρίως στον τρόπο ανάθεσης δυναμικών στόχων στα διαφορετικά κλαδιά και στις εξόδους τους.
Επαναπαραμετροποίηση μοντέλου
Η επαναπαραμετροποίηση είναι σημαντική στην ανίχνευση αντικειμένων, αλλά μπορεί να δημιουργήσει προβλήματα στην εκπαίδευση. Το YOLOv7 χρησιμοποιεί τη διαδρομή διάδοσης της κλίσης για να αναλύσει στρατηγικές επαναπαραμετροποίησης κατάλληλες για τα διαφορετικά επίπεδα του δικτύου.
Εκτεταμένη και σύνθετη κλιμάκωση
Το YOLOv7 εισάγει επίσης μεθόδους εκτεταμένης και σύνθετης κλιμάκωσης για αποδοτική αξιοποίηση των παραμέτρων και των υπολογισμών στην ανίχνευση σε πραγματικό χρόνο.

YOLOv7: σχετικές εργασίες
Ανίχνευση αντικειμένων σε πραγματικό χρόνο
Το YOLO είναι πρότυπο του κλάδου και οι περισσότεροι ανιχνευτές πραγματικού χρόνου χρησιμοποιούν αλγορίθμους YOLO και FCOS, δηλαδή Fully Convolutional One-Stage Object-Detection. Ένας προηγμένος ανιχνευτής έχει συνήθως τα ακόλουθα χαρακτηριστικά:
- Ισχυρότερη και ταχύτερη αρχιτεκτονική δικτύου.
- Αποτελεσματική μέθοδο ενσωμάτωσης χαρακτηριστικών.
- Ακριβή μέθοδο ανίχνευσης αντικειμένων.
- Ανθεκτική συνάρτηση απώλειας.
- Αποδοτική μέθοδο ανάθεσης ετικετών.
- Αποδοτική μέθοδο εκπαίδευσης.
Το YOLOv7 δεν χρησιμοποιεί αυτοεπιβλεπόμενη μάθηση ή μεθόδους απόσταξης, οι οποίες συχνά απαιτούν πολλά δεδομένα. Αντίθετα, χρησιμοποιεί εκπαιδεύσιμες τεχνικές χωρίς πρόσθετο κόστος εξαγωγής συμπερασμάτων.
Επαναπαραμετροποίηση μοντέλου
Η επαναπαραμετροποίηση θεωρείται τεχνική συνόλου που συγχωνεύει πολλές υπολογιστικές μονάδες στη φάση εξαγωγής συμπερασμάτων. Διακρίνεται σε δύο κατηγορίες: σύνολα σε επίπεδο μοντέλου και σύνολα σε επίπεδο μονάδας.
Για την παραγωγή του τελικού μοντέλου εξαγωγής συμπερασμάτων, η επαναπαραμετροποίηση σε επίπεδο μοντέλου ακολουθεί δύο πρακτικές. Η πρώτη εκπαιδεύει πολλά ίδια μοντέλα με διαφορετικά δεδομένα και υπολογίζει τον μέσο όρο των βαρών τους. Η δεύτερη υπολογίζει τον μέσο όρο των βαρών μοντέλων σε διαφορετικές επαναλήψεις.
Η επαναπαραμετροποίηση σε επίπεδο μονάδας γίνεται όλο και πιο δημοφιλής. Κατά την εκπαίδευση χωρίζει μια μονάδα σε διαφορετικά ή ίδια κλαδιά και κατά την εξαγωγή συμπερασμάτων τα ενσωματώνει σε μια ισοδύναμη μονάδα.
Οι τεχνικές αυτές δεν εφαρμόζονται σε κάθε αρχιτεκτονική. Γι’ αυτό το YOLOv7 χρησιμοποιεί νέες τεχνικές επαναπαραμετροποίησης για να σχεδιάσει στρατηγικές κατάλληλες για διαφορετικές αρχιτεκτονικές.
Κλιμάκωση μοντέλου
Κλιμάκωση είναι η αύξηση ή μείωση του μεγέθους ενός μοντέλου ώστε να προσαρμόζεται σε διαφορετικές υπολογιστικές συσκευές. Παράγοντες είναι ο αριθμός επιπέδων (βάθος), το μέγεθος των εικόνων εισόδου (ανάλυση), ο αριθμός πυραμίδων χαρακτηριστικών (στάδια) και ο αριθμός καναλιών (πλάτος). Οι παράγοντες αυτοί είναι κρίσιμοι για την ισορροπία παραμέτρων, ταχύτητας εξαγωγής συμπερασμάτων, υπολογισμών και ακρίβειας.
Μια συνηθισμένη μέθοδος είναι η NAS, δηλαδή αναζήτηση αρχιτεκτονικής δικτύου, που αναζητά αυτόματα κατάλληλους συντελεστές κλιμάκωσης σε έναν χώρο αναζήτησης χωρίς περίπλοκους κανόνες. Βασικό μειονέκτημά της είναι το υψηλό κόστος της αναζήτησης.
Σχεδόν κάθε μοντέλο επαναπαραμετροποίησης αναλύει και βελτιστοποιεί ανεξάρτητα τους επιμέρους συντελεστές κλιμάκωσης, επειδή η αρχιτεκτονική NAS λειτουργεί με μη συσχετισμένους συντελεστές.
Στα μοντέλα που βασίζονται στη συνένωση, όπως VoVNet ή DenseNet, η αλλαγή βάθους μεταβάλλει το πλάτος εισόδου ορισμένων επιπέδων. Το YOLOv7 χρησιμοποιεί προτεινόμενη αρχιτεκτονική συνένωσης και γι’ αυτό εφαρμόζει σύνθετη κλιμάκωση.

Το προηγούμενο σχήμα συγκρίνει τα εκτεταμένα δίκτυα αποδοτικής συνάθροισης επιπέδων (E-ELAN) διαφορετικών μοντέλων. Η προτεινόμενη E-ELAN διατηρεί τη διαδρομή μετάδοσης της κλίσης της αρχικής αρχιτεκτονικής, αλλά αυξάνει την πληθικότητα των πρόσθετων χαρακτηριστικών μέσω ομαδικής συνέλιξης. Έτσι εμπλουτίζονται τα χαρακτηριστικά που μαθαίνουν διαφορετικοί χάρτες και αξιοποιούνται αποδοτικότερα υπολογισμοί και παράμετροι.
Αρχιτεκτονική του YOLOv7
Το YOLOv7 βασίζεται στα YOLOv4, YOLO-R και Scaled YOLOv4. Προέκυψε από πειράματα σε αυτά τα μοντέλα για καλύτερα αποτελέσματα και μεγαλύτερη ακρίβεια.
Εκτεταμένο δίκτυο αποδοτικής συνάθροισης επιπέδων, ή E-ELAN
Η E-ELAN είναι το βασικό δομικό στοιχείο του YOLOv7 και προέρχεται από υπάρχοντα μοντέλα αποδοτικότητας δικτύων, κυρίως την ELAN.
Κατά τον σχεδιασμό αποδοτικής αρχιτεκτονικής εξετάζονται ο αριθμός παραμέτρων, η υπολογιστική πυκνότητα και η ποσότητα υπολογισμών. Άλλα μοντέλα εξετάζουν επίσης την αναλογία καναλιών εισόδου/εξόδου, τα κλαδιά της αρχιτεκτονικής, την ταχύτητα εξαγωγής συμπερασμάτων, τον αριθμό στοιχείων στους τανυστές του συνελικτικού δικτύου και άλλους παράγοντες.
Το μοντέλο CSPVoNet εξετάζει αυτούς τους παράγοντες και αναλύει τη διαδρομή της κλίσης, ώστε να μαθαίνει πιο ποικίλα χαρακτηριστικά μέσω των βαρών διαφορετικών επιπέδων. Έτσι η εξαγωγή συμπερασμάτων γίνεται ταχύτερη και ακριβέστερη. Η αρχιτεκτονική ELAN επιδιώκει ένα αποδοτικό δίκτυο ελέγχοντας τις συντομότερες και μακρύτερες διαδρομές κλίσης, για αποτελεσματικότερη μάθηση και σύγκλιση.
Η ELAN έχει φτάσει σε σταθερή κατάσταση ως προς τον αριθμό στοιβαγμένων υπολογιστικών μπλοκ και το μήκος διαδρομής κλίσης. Η απεριόριστη στοίβαξη μπορεί να διαταράξει τη σταθερότητα και να μειώσει την αξιοποίηση των παραμέτρων. Η προτεινόμενη E-ELAN αντιμετωπίζει το πρόβλημα με επέκταση, αναδιάταξη και συγχώνευση της πληθικότητας , ενισχύοντας συνεχώς την ικανότητα μάθησης και διατηρώντας την αρχική διαδρομή κλίσης.
Συγκρίνοντας E-ELAN και ELAN, η μόνη διαφορά βρίσκεται στο υπολογιστικό μπλοκ, ενώ η αρχιτεκτονική του επιπέδου μετάβασης δεν αλλάζει.
Η E-ELAN προτείνει αύξηση της πληθικότητας των υπολογιστικών μπλοκ και του αριθμού καναλιών μέσω ομαδικής συνέλιξης. Οι χάρτες χαρακτηριστικών υπολογίζονται, αναδιατάσσονται σε ομάδες σύμφωνα με την παράμετρο ομαδοποίησης και συνενώνονται. Κάθε ομάδα διατηρεί τον αριθμό καναλιών της αρχικής αρχιτεκτονικής. Τέλος, οι ομάδες χαρτών προστίθενται για να υλοποιηθεί η πληθικότητα.
Κλιμάκωση μοντέλων με συνένωση
Η κλιμάκωση βοηθά στην προσαρμογή των ιδιοτήτων των μοντέλων ώστε να δημιουργούνται μοντέλα διαφορετικού μεγέθους σύμφωνα με τις απαιτήσεις και τις επιθυμητές ταχύτητες εξαγωγής συμπερασμάτων.

Το σχήμα δείχνει κλιμάκωση διαφορετικών μοντέλων με συνένωση. Στα (a) και (b), το πλάτος εξόδου του υπολογιστικού μπλοκ αυξάνεται με το βάθος, αυξάνοντας και το πλάτος εισόδου των επιπέδων μετάβασης. Το (c) δείχνει την εφαρμογή της κλιμάκωσης βάθους σε αρχιτεκτονική συνένωσης.
Οι συντελεστές κλιμάκωσης αυτών των μοντέλων δεν αναλύονται επομένως ανεξάρτητα, αλλά πρέπει να εξετάζονται μαζί. Για μοντέλο με συνένωση, ενδείκνυται η αντίστοιχη μέθοδος σύνθετης κλιμάκωσης. Όταν αλλάζει ο συντελεστής βάθους, πρέπει να αλλάζουν και τα κανάλια εξόδου του μπλοκ.
Εκπαιδεύσιμες τεχνικές χωρίς πρόσθετο κόστος εξαγωγής συμπερασμάτων
Οι προγραμματιστές χρησιμοποιούν τον όρο «bag of freebies» για ένα σύνολο μεθόδων ή τεχνικών που αλλάζουν τη στρατηγική ή το κόστος εκπαίδευσης με στόχο μεγαλύτερη ακρίβεια. Ποιες τέτοιες εκπαιδεύσιμες τεχνικές χρησιμοποιεί το YOLOv7; Ας τις δούμε.
Προγραμματισμένη επαναπαραμετροποιημένη συνέλιξη
Το YOLOv7 χρησιμοποιεί τις διαδρομές διάδοσης της κλίσης για να προσδιορίσει πώς συνδυάζεται ιδανικά ένα δίκτυο με επαναπαραμετροποιημένη συνέλιξη. Έτσι επιχειρεί να αντιμετωπίσει τους περιορισμούς του αλγορίθμου RepConv , που αποδίδει καλά στο VGG αλλά άσχημα όταν εφαρμόζεται απευθείας στα DenseNet και ResNet.
Για τον εντοπισμό συνδέσεων σε συνελικτικό επίπεδο, το RepConv συνδυάζει συνελίξεις 3×3 και 1×1. Η ανάλυση του αλγορίθμου, της απόδοσης και της αρχιτεκτονικής του δείχνει ότι διαταράσσει τη συνένωση στο DenseNet και την υπολειμματική σύνδεση στο ResNet.

Η προηγούμενη εικόνα παρουσιάζει μοντέλο με προγραμματισμένη επαναπαραμετροποίηση. Το YOLOv7 διαπιστώνει ότι ένα επίπεδο με συνένωση ή υπολειμματικές συνδέσεις δεν πρέπει να έχει σύνδεση ταυτότητας στο RepConv. Μπορεί επομένως να χρησιμοποιηθεί το RepConvN, χωρίς τέτοια σύνδεση.
Αδρές ετικέτες για τη βοηθητική απώλεια και λεπτομερείς για την κύρια
Η βαθιά επίβλεψη είναι πεδίο της πληροφορικής που χρησιμοποιείται συχνά στην εκπαίδευση βαθιών δικτύων. Η βασική αρχή είναι ότι προσθέτει μια βοηθητική κεφαλή στα ενδιάμεσα επίπεδα του δικτύου , καθοδηγώντας και τα βάρη του ρηχότερου τμήματος με βοηθητική απώλεια. Το YOLOv7 ονομάζει «κύρια κεφαλή» εκείνη που παράγει την τελική έξοδο και «βοηθητική» εκείνη που υποστηρίζει την εκπαίδευση.
Το YOLOv7 χρησιμοποιεί επίσης διαφορετική ανάθεση ετικετών. Παραδοσιακά οι ετικέτες παράγονταν απευθείας από τα δεδομένα αναφοράς και καθορισμένους κανόνες. Τα τελευταία χρόνια, η κατανομή και η ποιότητα των προβλέψεων εισόδου παίζουν σημαντικό ρόλο στη δημιουργία αξιόπιστων ετικετών. Το YOLOv7 παράγει μια ήπια ετικέτα για το αντικείμενο χρησιμοποιώντας τις προβλέψεις οριοθετικών πλαισίων και τα δεδομένα αναφοράς.
Η νέα μέθοδος χρησιμοποιεί τις προβλέψεις της κύριας κεφαλής για να καθοδηγήσει και τις δύο κεφαλές. Προτείνονται δύο στρατηγικές.
Αναθέτης ετικετών καθοδηγούμενος από την κύρια κεφαλή
Η στρατηγική υπολογίζει με βάση τις προβλέψεις της κύριας κεφαλής και τα δεδομένα αναφοράς και χρησιμοποιεί βελτιστοποίηση για να δημιουργήσει ήπιες ετικέτες. Αυτές χρησιμοποιούνται για την εκπαίδευση και των δύο κεφαλών.
Η παραδοχή είναι ότι η κύρια κεφαλή έχει μεγαλύτερη ικανότητα μάθησης, άρα παράγει πιο αντιπροσωπευτικές ετικέτες που συσχετίζουν πηγή και στόχο.
Αναθέτης από αδρές σε λεπτομερείς ετικέτες με καθοδήγηση της κύριας κεφαλής
Και αυτή η στρατηγική υπολογίζει από τις προβλέψεις της κύριας κεφαλής και τα δεδομένα αναφοράς, παράγοντας ήπιες ετικέτες με βελτιστοποίηση. Η διαφορά είναι ότι δημιουργεί δύο σύνολα: αδρές ετικέτες και λεπτομερείς ετικέτες.
Οι αδρές ετικέτες παράγονται χαλαρώνοντας τους περιορισμούς ανάθεσης θετικών δειγμάτων,
ώστε περισσότερα κελιά πλέγματος να θεωρούνται θετικοί στόχοι. Αυτό αποτρέπει την απώλεια πληροφοριών λόγω της μικρότερης ικανότητας μάθησης της βοηθητικής κεφαλής.

Το προηγούμενο σχήμα εξηγεί τις εκπαιδεύσιμες τεχνικές του YOLOv7: αδρές ετικέτες για τη βοηθητική κεφαλή και λεπτομερείς για την κύρια. Το μοντέλο στο (b) έχει βοηθητική κεφαλή, ενώ το κανονικό μοντέλο στο (a) δεν έχει.
Το (c) δείχνει τον συνηθισμένο ανεξάρτητο αναθέτη. Τα (d) και (e) παρουσιάζουν αντίστοιχα τον αναθέτη με καθοδήγηση της κύριας κεφαλής και την εκδοχή από αδρές σε λεπτομερείς ετικέτες που χρησιμοποιεί το YOLOv7.
Άλλες εκπαιδεύσιμες τεχνικές
Το YOLOv7 χρησιμοποιεί και άλλες τεχνικές, τις οποίες δεν πρότειναν αρχικά οι δημιουργοί του:
- Κανονικοποίηση παρτίδας στην ακολουθία Conv-Bn-Activation: η στρατηγική συνδέει απευθείας ένα συνελικτικό επίπεδο με το επίπεδο κανονικοποίησης παρτίδας.
- Άρρητη γνώση στο YOLOR: το YOLOv7 συνδυάζει αυτή τη στρατηγική με τον συνελικτικό χάρτη χαρακτηριστικών.
- Μοντέλο EMA: χρησιμοποιείται ως τελικό μοντέλο αναφοράς στο YOLOv7, παρότι η βασική του χρήση είναι στη μέθοδο mean teacher.
YOLOv7: πειράματα
Πειραματική διάταξη
Το YOLOv7 χρησιμοποιεί το σύνολο Microsoft COCO για εκπαίδευση και επικύρωση του μοντέλου ανίχνευσης. Δεν χρησιμοποιούν όλα τα πειράματα προεκπαιδευμένο μοντέλο. Οι προγραμματιστές χρησιμοποίησαν το σύνολο εκπαίδευσης του 2017 για την εκπαίδευση και το σύνολο επικύρωσης του 2017 για επιλογή υπερπαραμέτρων. Τέλος, τα αποτελέσματα συγκρίνονται με προηγμένους αλγορίθμους ανίχνευσης.
Οι προγραμματιστές σχεδίασαν βασικά μοντέλα για GPU στην άκρη του δικτύου (YOLOv7-tiny), συνήθεις GPU (YOLOv7) και GPU νέφους (YOLOv7-W6). Κλιμακώνουν επίσης το βασικό μοντέλο σύμφωνα με τις απαιτήσεις υπηρεσίας για να δημιουργήσουν παραλλαγές. Η κλιμάκωση στοίβαξης γίνεται στο neck, ενώ οι προτεινόμενες σύνθετες μέθοδοι αυξάνουν βάθος και πλάτος.
Μοντέλα αναφοράς
Το YOLOv7 χρησιμοποιεί προηγούμενα μοντέλα YOLO και τον αλγόριθμο YOLOR ως βάσεις σύγκρισης.

Το προηγούμενο σχήμα συγκρίνει το μοντέλο αναφοράς του YOLOv7 με άλλους ανιχνευτές, με σαφή αποτελέσματα. Σε σύγκριση με το YOLOv4, το YOLOv7 χρησιμοποιεί 75% λιγότερες παραμέτρους και 15% λιγότερους υπολογισμούς, με 0,4% υψηλότερη ακρίβεια.
Σύγκριση με προηγμένους ανιχνευτές αντικειμένων

Το προηγούμενο σχήμα δείχνει τη σύγκριση με προηγμένα μοντέλα για φορητές και γενικής χρήσης GPU. Η μέθοδος του YOLOv7 προσφέρει την καλύτερη ισορροπία ταχύτητας και ακρίβειας.
Μελέτη αφαίρεσης στοιχείων: προτεινόμενη σύνθετη κλιμάκωση

Το προηγούμενο σχήμα συγκρίνει στρατηγικές αύξησης μεγέθους. Το YOLOv7 πολλαπλασιάζει το βάθος του υπολογιστικού μπλοκ επί 1,5 και το πλάτος επί 1,25.
Σε σύγκριση με μοντέλο που αυξάνει μόνο το βάθος, το YOLOv7 αποδίδει κατά 0,5% καλύτερα με λιγότερες παραμέτρους και υπολογισμούς. Σε σύγκριση με μοντέλα που αυξάνουν μόνο το βάθος, η ακρίβεια βελτιώνεται κατά 0,2%, αλλά οι παράμετροι πρέπει να αυξηθούν κατά 2,9% και οι υπολογισμοί κατά 1,2%.
Προτεινόμενο μοντέλο με προγραμματισμένη επαναπαραμετροποίηση
Για να ελέγξει τη γενική εφαρμοσιμότητα της πρότασης, το YOLOv7 χρησιμοποιεί το επαναπαραμετροποιημένο μοντέλο τόσο σε υπολειμματικές αρχιτεκτονικές όσο και σε αρχιτεκτονικές με συνένωση. Για τον έλεγχο χρησιμοποιεί ELAN με τρία στοιβαγμένα μπλοκ για το μοντέλο με συνένωση και CSPDarknet για το υπολειμματικό μοντέλο.
Στο μοντέλο με συνένωση, οι συνελίξεις 3×3 της ELAN με τρία στοιβαγμένα μπλοκ αντικαθίστανται από RepConv. Το επόμενο σχήμα δείχνει τη λεπτομερή διάταξη του Planned RepConv και αυτής της εκδοχής της ELAN.

Για το υπολειμματικό μοντέλο, το YOLOv7 χρησιμοποιεί αντεστραμμένο μπλοκ dark, επειδή το αρχικό δεν περιέχει μπλοκ συνέλιξης 3×3. Το επόμενο σχήμα δείχνει το Reversed CSPDarknet, που αντιστρέφει τις θέσεις των συνελίξεων 3×3 και 1×1. 
Προτεινόμενη βοηθητική απώλεια για τη βοηθητική κεφαλή
Για αυτή την απώλεια, το YOLOv7 συγκρίνει την ανεξάρτητη ανάθεση ετικετών για τη βοηθητική και την κύρια κεφαλή.

Το προηγούμενο σχήμα παρουσιάζει τα αποτελέσματα της μελέτης για την προτεινόμενη βοηθητική κεφαλή. Η συνολική απόδοση αυξάνεται με τη βοηθητική απώλεια. Επιπλέον, η καθοδηγούμενη από την κύρια κεφαλή ανάθεση υπερτερεί των ανεξάρτητων στρατηγικών.
Αποτελέσματα του YOLOv7
Με βάση τα προηγούμενα πειράματα, ακολουθούν οι επιδόσεις του YOLOv7 έναντι άλλων αλγορίθμων ανίχνευσης.

Το προηγούμενο σχήμα συγκρίνει το YOLOv7 με άλλους αλγορίθμους και δείχνει ότι υπερτερεί στη σχέση μεταξύ μέσης ακρίβειας (AP) και εξαγωγής συμπερασμάτων κατά παρτίδες.
Το επόμενο σχήμα συγκρίνει το YOLOv7 με άλλους αλγορίθμους ανίχνευσης σε πραγματικό χρόνο. Και πάλι υπερτερεί στη συνολική απόδοση, την ακρίβεια και την αποδοτικότητα.

Υπάρχουν και οι ακόλουθες παρατηρήσεις:
- Το YOLOv7-Tiny είναι το μικρότερο μοντέλο της οικογένειας, με πάνω από έξι εκατομμύρια παραμέτρους. Έχει μέση ακρίβεια 35,2% και ξεπερνά τα YOLOv4-Tiny με συγκρίσιμο αριθμό παραμέτρων.
- Το YOLOv7 έχει πάνω από 37 εκατομμύρια παραμέτρους και ξεπερνά μοντέλα με περισσότερες, όπως το YOLOv4.
- Το YOLOv7 παρουσιάζει τις υψηλότερες τιμές mAP και FPS στο εύρος από 5 έως 160 FPS.
Συμπέρασμα
Το YOLO, ή You Only Look Once, είναι προηγμένο μοντέλο ανίχνευσης αντικειμένων στη σύγχρονη υπολογιστική όραση. Είναι γνωστό για την ακρίβεια και την αποδοτικότητά του και χρησιμοποιείται ευρέως στην ανίχνευση σε πραγματικό χρόνο. Από την παρουσίασή του το 2016, τα πειράματα έχουν επιτρέψει τη συνεχή βελτίωσή του.
Το YOLOv7 είναι η νεότερη προσθήκη στην οικογένεια YOLO και ο ισχυρότερος αλγόριθμός της την περίοδο που περιγράφει το άρθρο. Εξετάσαμε τα βασικά του στοιχεία και προσπαθήσαμε να εξηγήσουμε τι το κάνει τόσο αποδοτικό.












