Artificial Intelligence
YOLOv7: An Algorithm Lorg Rud as adhartaiche?
Thèid 6 Iuchar 2022 a chomharrachadh mar chomharra-tìre ann an eachdraidh AI oir bha e air an latha seo nuair a chaidh YOLOv7 a leigeil ma sgaoil. A-riamh bho chaidh a chuir air bhog, tha an YOLOv7 air a bhith na chuspair as teotha ann an coimhearsnachd leasaiche Computer Vision, agus airson na h-adhbharan ceart. Tha YOLOv7 mu thràth air a mheas mar chlach-mhìle ann an gnìomhachas lorg nithean.
Goirid às deidh an Chaidh pàipear YOLOv7 fhoillseachadh, thionndaidh e suas mar am modail lorg gearanan fìor-ùine as luaithe agus as ceart. Ach ciamar a tha YOLOv7 a’ dèanamh a’ chùis air an fheadhainn a thàinig roimhe? Dè a tha a’ dèanamh YOLOv7 cho èifeachdach ann a bhith a’ coileanadh gnìomhan lèirsinn coimpiutair?
San artaigil seo feuchaidh sinn ri modal YOLOv7 a mhion-sgrùdadh, agus feuchaidh sinn ri freagairt a lorg carson a tha YOLOv7 a-nis gu bhith na inbhe gnìomhachais? Ach mus urrainn dhuinn sin a fhreagairt, feumaidh sinn sùil a thoirt air eachdraidh ghoirid lorg nithean.
Dè a th’ ann an Lorg Rud?
Tha lorg nithean na mheur ann an sealladh coimpiutair a tha ag aithneachadh agus a’ lorg nithean ann an ìomhaigh, no faidhle bhidio. Tha lorg nithean na bhunait airson grunn thagraidhean a’ toirt a-steach càraichean fèin-dràibhidh, sgrùdadh sgrùdaichte, agus eadhon innealan-fuadain.
Faodar modal lorg nithean a sheòrsachadh ann an dà roinn eadar-dhealaichte, lorgairean aon-dhealbh, agus lorgairean ioma-dhealbhan.
Dearbhadh Rud Fìor-ùine
Gus tuigse cheart a thoirt air mar a tha YOLOv7 ag obair, tha e riatanach dhuinn prìomh amas YOLOv7 a thuigsinn, “A’ lorg nithean fìor-ùine”. Tha Dearbhadh Rud Fìor-ùine na phrìomh phàirt de lèirsinn coimpiutair an latha an-diugh. Bidh na modalan Lorg Rud Fìor-ùine a’ feuchainn ri nithean anns a bheil ùidh a chomharrachadh agus a lorg ann an àm fìor. Rinn modalan Dearbhaidh Rud Fìor-ùine e gu math èifeachdach do luchd-leasachaidh sùil a chumail air nithean inntinneach ann am frèam gluasadach leithid bhidio, no cuir a-steach faire beò.
Tha modalan Dearbhaidh Rud Fìor-ùine gu ìre mhòr mar cheum air adhart bho na modalan lorg ìomhaigh àbhaisteach. Fhad ‘s a thathas a’ cleachdadh a ’chiad fhear gus lorg a chumail air nithean ann am faidhlichean bhidio, bidh an tè mu dheireadh a’ lorg agus a ’comharrachadh nithean taobh a-staigh frèam pàipearachd mar ìomhaigh.
Mar thoradh air an sin, tha modalan Dearbhaidh Rud Fìor-ùine gu math èifeachdach airson mion-sgrùdadh bhidio, carbadan fèin-riaghailteach, cunntadh stuthan, tracadh ioma-chuspair, agus mòran a bharrachd.
Dè a th 'ann an YOLO?
YOLO no “Chan eil thu a’ coimhead ach aon turas” na theaghlach de mhodalan lorg nithean fìor-ùine. Chaidh bun-bheachd YOLO a thoirt a-steach an toiseach ann an 2016 le Iòsaph Redmon, agus b’ e còmhradh a’ bhaile a bh’ ann cha mhòr sa bhad leis gu robh e tòrr na bu luaithe, agus tòrr na bu neo-mhearachdaiche na na h-algorithms lorg nithean a th’ ann mar-thà. Cha b’ fhada gus an tàinig algorithm YOLO gu bhith na inbhe ann an gnìomhachas lèirsinn coimpiutair.
Is e am bun-bheachd bunaiteach a tha algorithm YOLO a’ moladh a bhith a’ cleachdadh lìonra neural deireadh-gu-deireadh a’ cleachdadh bogsaichean crìche & coltachd clas gus ro-innse a dhèanamh ann an àm fìor. Bha YOLO eadar-dhealaichte bhon mhodail lorg nithean a bh’ ann roimhe leis an fhaireachdainn gu robh e a’ moladh dòigh-obrach eadar-dhealaichte airson lorg nithean a dhèanamh le bhith ag ath-chleachdadh seòrsachadh.
Dh’ obraich an t-atharrachadh san dòigh-obrach mar a thàinig YOLO gu bhith na inbhe gnìomhachais a dh’ aithghearr leis gu robh am beàrn coileanaidh eadar e fhèin, agus bha algoirmean lorg nithean fìor-ùine eile cudromach. Ach dè an adhbhar a bha YOLO cho èifeachdach?
An coimeas ri YOLO, chleachd algorithms lorg nithean air ais agus an uairsin chleachd iad Region Proposal Networks gus raointean inntinneach a lorg. Chaidh am pròiseas aithneachaidh an uairsin a dhèanamh air gach sgìre fa leth. Mar thoradh air an sin, bhiodh na modailean sin gu tric a’ dèanamh iomadh ath-aithris air an aon ìomhaigh, agus mar sin dìth mionaideachd, agus ùine cur gu bàs nas àirde. Air an làimh eile, bidh algorithm YOLO a’ cleachdadh aon ìre làn-cheangailte gus an ro-innse a dhèanamh aig an aon àm.
Ciamar a tha YOLO ag obair?
Tha trì ceumannan ann a mhìnicheas mar a tha algorithm YOLO ag obair.
Ag ath-dhealbhadh lorg nì mar dhuilgheadas ath-tharraing shingilte
Tha Bidh algorithm YOLO a’ feuchainn ri lorg nithean ath-dhealbhadh mar aon dhuilgheadas ais-tharraing, a’ gabhail a-steach piogsail ìomhaigh, gu coltachd clas, agus co-chomharran bogsa crìche. Mar sin, feumaidh an algairim coimhead air an ìomhaigh dìreach aon turas gus ro-innse & lorg na nithean targaid anns na h-ìomhaighean.
Adhbharan an Ìomhaigh gu Cruinneil
A bharrachd, nuair a nì algorithm YOLO ro-innse, bidh e ag adhbhrachadh an ìomhaigh air feadh na cruinne. Tha e eadar-dhealaichte bho dhòighean stèidhichte air moladh sgìreil, agus sleamhnachadh leis gu bheil algorithm YOLO a’ faicinn an ìomhaigh iomlan rè trèanadh & deuchainn air an t-seata dàta, agus comasach air fiosrachadh co-theacsail a chòdachadh mu na clasaichean, agus mar a tha iad a’ nochdadh.
Ro YOLO, b’ e Fast R-CNN aon de na h-algorithms lorg nithean as mòr-chòrdte nach fhaiceadh an co-theacsa nas motha san ìomhaigh oir b’ àbhaist dha a bhith a’ mearachdachadh pìosan cùl-fhiosrachaidh ann an ìomhaigh airson nì. An coimeas ris an algairim Fast R-CNN, tha YOLO 50% nas cruinne nuair a thig e gu cùl-mhearachdan.
Coitcheann riochdachadh de nithean
Mu dheireadh, tha algorithm YOLO cuideachd ag amas air riochdachadh nithean ann an ìomhaigh a choitcheannachadh. Mar thoradh air an sin, nuair a chaidh algorithm YOLO a ruith air stòr-dàta le ìomhaighean nàdarra, agus a dhearbhadh airson na toraidhean, rinn YOLO coileanadh nas fheàrr na na modalan R-CNN a th’ ann mar-thà le iomall farsaing. Is ann air sgàth gu bheil YOLO gu math coitcheann, bha an cothrom gum biodh e a’ briseadh sìos nuair a chaidh a chuir an gnìomh air cuir a-steach ris nach robh dùil no raointean ùra caol.
YOLOv7: Dè tha ùr?
A-nis gu bheil tuigse bhunasach againn air dè a th’ ann am modalan lorg nithean fìor-ùine, agus dè a th’ ann an algairim YOLO, tha an t-àm ann beachdachadh air algorithm YOLOv7.
A’ dèanamh an fheum as fheàrr den phròiseas trèanaidh
Chan e a-mhàin gu bheil algorithm YOLOv7 a ’feuchainn ris an ailtireachd modail a bharrachadh, ach tha e cuideachd ag amas air a’ phròiseas trèanaidh as fheàrr a dhèanamh. Tha e ag amas air a bhith a’ cleachdadh mhodalan & dhòighean optimization gus cruinneas lorg nithean a leasachadh, a’ neartachadh cosgais trèanaidh, agus aig an aon àm a’ cumail suas a’ chosgais eadar-theachd. Faodar iomradh a thoirt air na modalan optimization seo mar a baga trèanadh an-asgaidh.
Sònrachadh leubail treòraichte garbh gu deagh stiùireadh
Tha an algairim YOLOv7 an dùil Sònrachadh Bileag Treòraichte Coarse to Fine Lead a chleachdadh an àite an àbhaist. Sònrachadh Label Dynamic. Tha e mar sin air sgàth le sònrachadh leubail fiùghantach, bidh trèanadh modail le ioma-fhilleadh toraidh ag adhbhrachadh cuid de chùisean, is e am fear as cumanta mar a thèid targaidean fiùghantach a shònrachadh airson diofar mheuran agus na toraidhean aca.
Ath-parameterization modail
Tha ath-parametrization modail na bhun-bheachd cudromach ann a bhith a’ lorg nithean, agus mar as trice bidh cuid de chùisean ga chleachdadh rè trèanadh. Tha algorithm YOLOv7 an dùil a bhith a’ cleachdadh bun-bheachd slighe iomadachaidh caisead gus mion-sgrùdadh a dhèanamh air na poileasaidhean ath-parametrization modail iomchaidh airson diofar shreathan san lìonra.
Leudachadh agus Sgèileadh Co-fhillte
Tha algorithm YOLOv7 cuideachd a’ toirt a-steach an dòighean sgèileadh leudaichte agus iom-fhillte gus na paramadairean & àireamhachadh a chleachdadh agus a chleachdadh gu h-èifeachdach airson lorg nithean fìor-ùine.
YOLOv7: Obair co-cheangailte
Dearbhadh Rud Fìor-ùine
Is e YOLO an ìre gnìomhachais an-dràsta, agus bidh a’ mhòr-chuid de lorgairean stuthan fìor-ùine a’ cleachdadh algorithms YOLO, agus FCOS (Fully Convolutional One-Stage Object-Detection). Mar as trice tha na feartan a leanas aig lorgaire stuth fìor-ùine ùr-nodha
- Ailtireachd lìonra nas làidire & nas luaithe.
- Modh amalachadh feart èifeachdach.
- Modh lorg nithean ceart.
- Gnìomh call làidir.
- Modh sònrachadh bileag èifeachdach.
- Modh trèanaidh èifeachdach.
Cha bhith algorithm YOLOv7 a’ cleachdadh dòighean ionnsachaidh & grùdaireachd fèin-stiùirichte a dh’ fheumas tòrr dàta gu tric. Air an làimh eile, tha an algairim YOLOv7 a’ cleachdadh modh baga-de-freebies a ghabhas trèanadh.
Ath-parameterization modail
Thathas a’ coimhead air dòighean ath-pharamadair modail mar innleachd ensemble a bhios a’ ceangal grunn mhodalan coimpiutaireachd aig ìre eadar-theachd. Faodar an teicneòlas a roinn ann an dà roinn, ensemble ìre modail, agus ensemble ìre modal.
A-nis, gus am modal eadar-theachd deireannach fhaighinn, bidh an dòigh ath-phàighidh ìre modail a’ cleachdadh dà chleachdadh. Bidh a’ chiad chleachdadh a’ cleachdadh dàta trèanaidh eadar-dhealaichte gus grunn mhodalan co-ionann a thrèanadh, agus an uairsin a’ cuibheasachd cuideaman nam modalan trèanaidh. Air an làimh eile, tha an cleachdadh eile a’ tomhas cuideaman mhodalan aig diofar ath-aithrisean.
Tha ath-pharamadair ìre modal a’ fàs mòr-chòrdte o chionn ghoirid leis gu bheil e a’ sgoltadh modal ann an diofar mheuran modal, no diofar mheuran co-ionann rè na h-ìre trèanaidh, agus an uairsin a’ dol air adhart gus na meuran eadar-dhealaichte sin fhilleadh a-steach do mhodal co-ionann fhad ‘s a tha iad a’ cur bacadh air.
Ach, chan urrainnear dòighean ath-parameterization a chuir an sàs anns a h-uile seòrsa ailtireachd. Is e an adhbhar carson a tha an Bidh algairim YOLOv7 a’ cleachdadh dòighean ath-parameter mhodail ùra gus ro-innleachdan co-cheangailte a dhealbhadh freagarrach airson diofar ailtireachd.
Sgèile modail
Is e sgèileadh modail am pròiseas airson modal a th’ ann mar-thà a mheudachadh no sìos gus am bi e a’ freagairt air diofar innealan coimpiutaireachd. Mar as trice bidh sgèileadh modail a’ cleachdadh grunn nithean mar an àireamh de shreathan (doimhneachd), meud ìomhaighean cuir a-steach (rùn), àireamh de pioramaidean feart (ìre), agus an àireamh de shianalan (leud). Tha pàirt deatamach aig na factaran sin ann a bhith a’ dèanamh cinnteach à malairt chothromach airson paramadairean lìonra, astar eadar-theachd, àireamhachadh, agus cruinneas a’ mhodail.
Is e aon de na dòighean sgèileachaidh as cumanta NAS no Rannsachadh Ailtireachd Lìonra a bhios gu fèin-obrachail a’ lorg factaran sgèileachaidh iomchaidh bho einnseanan sgrùdaidh gun riaghailtean toinnte sam bith. Is e a’ phrìomh eas-bhuannachd bho bhith a’ cleachdadh an NAS gur e dòigh-obrach daor a th’ ann airson factaran sgèile iomchaidh a lorg.
Bidh cha mhòr a h-uile modal ath-parameterization modail a’ dèanamh mion-sgrùdadh air factaran sgèile fa leth & gun samhail, agus a bharrachd air an sin, eadhon a ’dèanamh an fheum as fheàrr de na factaran sin gu neo-eisimeileach. Tha seo air sgàth gu bheil ailtireachd NAS ag obair le factaran sgèileachaidh neo-cheangailte.
Is fhiach a bhith mothachail gur toil le modalan stèidhichte air concatenation VoVNet or Lìon dlùth atharraich leud cuir a-steach grunn shreathan nuair a tha doimhneachd nam modalan air an sgèile. Bidh YOLOv7 ag obair air ailtireachd stèidhichte air concatenation a tha san amharc, agus mar sin a’ cleachdadh modh sgèileadh toinnte.
Tha am figear a chaidh ainmeachadh gu h-àrd a’ dèanamh coimeas eadar an lìonraidhean cruinneachaidh còmhdach èifeachdach leudaichte (E-ELAN) de dhiofar mhodailean. Tha an dòigh E-ELAN a thathar a’ moladh a’ cumail slighe tar-chuir caisead na h-ailtireachd thùsail, ach tha e ag amas air cardinality nam feartan a bharrachd a mheudachadh a’ cleachdadh convolution buidhne. Faodaidh am pròiseas na feartan a dh'ionnsaich diofar mhapaichean àrdachadh, agus faodaidh e cleachdadh àireamhachadh & crìochan a dhèanamh nas èifeachdaiche.
YOLOv7 ailtireachd
Bidh am modal YOLOv7 a’ cleachdadh na modalan YOLOv4, YOLO-R, agus na modalan Scaled YOLOv4 mar bhunait. Tha an YOLOv7 mar thoradh air na deuchainnean a chaidh a dhèanamh air na modalan sin gus na toraidhean a leasachadh, agus am modail a dhèanamh nas cruinne.
Lìonra Co-chruinneachaidh Sreath Èifeachdach Leudaichte no E-ELAN
Is e E-ELAN am bloc togail bunaiteach de mhodail YOLOv7, agus tha e a’ tighinn bho mhodalan a tha ann mu thràth air èifeachdas lìonra, gu sònraichte an ELAN.
Is e na prìomh nithean a thathar a’ beachdachadh nuair a thathar a’ dealbhadh ailtireachd èifeachdach an àireamh de pharamadairean, dùmhlachd coimpiutaireachd, agus an àireamh de dh’ àireamhachadh. Bidh modalan eile cuideachd a’ beachdachadh air factaran mar buaidh co-mheas seanail cuir a-steach / toraidh, meuran san lìonra ailtireachd, astar eadar-theachd lìonra, àireamh de eileamaidean ann an tensors lìonra convolutional, agus barrachd.
Tha CSPVoNet chan e a-mhàin gu bheil am modail a’ beachdachadh air na paramadairean gu h-àrd, ach bidh e cuideachd a’ sgrùdadh slighe caisead gus feartan nas eadar-mheasgte ionnsachadh le bhith a’ comasachadh cuideaman de dhiofar shreathan. Tha an dòigh-obrach a 'leigeil leis an eadar-theachd a bhith fada nas luaithe, agus ceart. Tha an Elan Tha ailtireachd ag amas air lìonra èifeachdach a dhealbhadh gus smachd a chumail air an t-slighe caisead as giorra as fhaide gus an urrainn don lìonra a bhith nas èifeachdaiche ann a bhith ag ionnsachadh, agus a’ tighinn còmhla.
Tha ELAN air ìre seasmhach a ruighinn mar-thà ge bith dè an àireamh de bhlocaichean coimpiutaireachd a th’ ann, agus fad slighe caisead. Dh’ fhaodadh an staid sheasmhach a bhith air a sgrios ma thèid blocaichean àireamhachd a chruachadh gun chrìoch, agus lùghdaichidh an ìre cleachdadh paramadair. Tha an faodaidh ailtireachd E-ELAN a tha san amharc fuasgladh fhaighinn air a’ chùis leis gu bheil e a’ cleachdadh leudachadh, gluasad, agus aonadh cardinality gus comas ionnsachaidh an lìonra a leasachadh gu leantainneach fhad ‘s a chumas iad an t-slighe caisead tùsail.
A bharrachd air an sin, nuair a thathar a’ dèanamh coimeas eadar ailtireachd E-ELAN agus ELAN, tha an aon eadar-dhealachadh anns a’ bhloc coimpiutaireachd, fhad ‘s a tha ailtireachd an t-sreath gluasaid gun atharrachadh.
Tha E-ELAN a 'moladh leudachadh a dhèanamh air cardinality de na blocaichean coimpiutaireachd, agus leudachadh air an t-sianal le bhith a' cleachdadh còmhstri buidhne. Bidh am mapa feart an uairsin air a thomhas, agus air a ghluasad ann am buidhnean a rèir paramadair na buidhne, agus an uairsin air a cho-chruinneachadh còmhla. Bidh an àireamh de shianalan anns gach buidheann fhathast mar a bha e san ailtireachd thùsail. Mu dheireadh, thèid na buidhnean de mhapaichean feart a chur ris gus cardinality a choileanadh.
Sgèile Modail airson Modalan Stèidhichte air Concatenation
Bidh sgèileadh modail a’ cuideachadh a-steach ag atharrachadh feartan nam modalan a chuidicheas le bhith a’ cruthachadh mhodalan a rèir nan riatanasan, agus de dhiofar lannan gus coinneachadh ri diofar astaran eadar-theachd.
Tha am figear a’ bruidhinn air sgèile mhodail airson diofar mhodalan stèidhichte air concatenation. Mar as urrainn dhut ann am figear (a) agus (b), bidh leud toraidh a’ bhloc coimpiutaireachd ag àrdachadh le àrdachadh ann an sgèile doimhneachd nam modalan. Mar thoradh air an sin, tha leud cuir a-steach nan sreathan tar-chuir air a mheudachadh. Ma tha na modhan sin air an cur an gnìomh air ailtireachd stèidhichte air concatenation thèid am pròiseas sgèileachaidh a dhèanamh gu domhainn, agus tha e air a shealltainn ann am figear (c).
Mar sin faodar a cho-dhùnadh nach eil e comasach na factaran sgèileachaidh a sgrùdadh gu neo-eisimeileach airson modalan stèidhichte air concatenation, agus an àite sin feumaidh iad a bhith air am beachdachadh no air an sgrùdadh còmhla. Mar sin, airson modail stèidhichte air concatenation, tha e iomchaidh an dòigh sgèile modail coimeasgaichte co-fhreagarrach a chleachdadh. A bharrachd air an sin, nuair a tha am feart doimhneachd air a sgèile, feumaidh sianal toraidh a ’bhloc a bhith air a sgèile cuideachd.
Bathar-bog airson trèanadh an-asgaidh
Is e teirm a th’ ann am poca de rudan an-asgaidh a bhios luchd-leasachaidh a’ cleachdadh airson cunntas a thoirt seata de dhòighean no dhòighean-obrach a dh’ fhaodadh an ro-innleachd trèanaidh no a’ chosgais atharrachadh ann an oidhirp gus cruinneas modail àrdachadh. Mar sin dè na pocannan trèanaidh an-asgaidh a tha seo ann an YOLOv7? Bheir sinn sùil.
Convolution ath-pharameterichte san amharc
Bidh an algairim YOLOv7 a 'cleachdadh slighean iomadachaidh sruth caisead gus dearbhadh mar a b’ fheàrr lìonra a chur còmhla ris a’ chonaltradh ath-pharaiteach. Tha an dòigh-obrach seo le YOLov7 na oidhirp air cuir an aghaidh Algorithm RepConv ged a tha e air coileanadh gu socair air modal VGG, tha e a’ coileanadh gu dona nuair a thèid a chuir gu dìreach ris na modalan DenseNet agus ResNet.
Gus na ceanglaichean a chomharrachadh ann an sreath convolutional, tha an Bidh algorithm RepConv a’ cothlamadh convolution 3 × 3, agus convolution 1 × 1. Ma nì sinn mion-sgrùdadh air an algairim, a choileanadh, agus an ailtireachd chì sinn gu bheil RepConv a’ sgrios an concatenation ann an DenseNet, agus an còrr ann an ResNet.
Tha an ìomhaigh gu h-àrd a’ sealltainn modal dealbhaichte le ath-pharameter. Chithear gun do lorg algorithm YOLov7 nach bu chòir ceangal dearbh-aithne a bhith aig còmhdach san lìonra le ceanglaichean concatenation no fuigheall san algairim RepConv. Mar thoradh air an sin, tha e iomchaidh atharrachadh le RepConvN gun ceanglaichean dearbh-aithne.
Garbh airson Cuideachadh agus Fine airson call luaidhe
Stiùireadh domhainn na mheur ann an saidheans coimpiutaireachd a bhios gu tric ga chleachdadh ann am pròiseas trèanaidh lìonraidhean domhainn. Is e am prionnsapal bunaiteach de stiùireadh domhainn gu bheil e a 'cur ceann taiceil a bharrachd ann an sreathan meadhanach an lìonra còmhla ri cuideaman lìonra eu-domhainn le call neach-cuideachaidh mar a stiùir. Tha algorithm YOLOv7 a 'toirt iomradh air a' cheann a tha an urra ris an toradh deireannach mar an ceann luaidhe, agus is e an ceann taiceil an ceann a tha a 'cuideachadh le trèanadh.
A’ gluasad air adhart, bidh YOLOv7 a’ cleachdadh dòigh eadar-dhealaichte airson sònrachadh leubail. Gu gnàthach, chaidh sònrachadh leubail a chleachdadh gus bileagan a ghineadh le bhith a’ toirt iomradh dìreach air fìrinn na talmhainn, agus air bunait seata sònraichte de riaghailtean. Ach, anns na bliadhnachan mu dheireadh, tha àite cudromach aig cuairteachadh, agus càileachd an cuir a-steach ro-innse ann a bhith a’ gineadh bileag earbsach. Bidh YOLOv7 a’ gineadh bileag bog den nì le bhith a’ cleachdadh ro-innse bogsa crìche agus fìrinn talmhainn.
A bharrachd air an sin, tha an dòigh sònrachaidh leubail ùr de algairim YOLOv7 a’ cleachdadh ro-innse ceann luaidhe gus an dà chuid an ceann luaidhe & an ceann taiceil a stiùireadh. Tha dà ro-innleachd a thathar a’ moladh anns an dòigh sònrachaidh leubail.
Prìomh Shònraiche Label Treòraichte Ceann
Bidh an ro-innleachd a’ dèanamh àireamhachadh a rèir toraidhean ro-innse a’ chinn stiùiridh, agus fìrinn na talmhainn, agus an uairsin a’ cleachdadh optimization gus bileagan bog a ghineadh. Bidh na bileagan bog sin an uairsin air an cleachdadh mar mhodail trèanaidh airson an dà chuid an ceann luaidhe, agus an ceann taiceil.
Tha an ro-innleachd ag obair leis a’ bharail leis gu bheil comas ionnsachaidh nas motha aig a’ phrìomh cheann, gum bu chòir na bileagan a ghineas e a bhith nas riochdachail, agus co-cheangal a dhèanamh eadar an stòr & an targaid.
Sònradair leubail treòraichte ceann luaidhe garbh-gu-màin
Bidh an ro-innleachd seo cuideachd a’ dèanamh àireamhachadh a rèir toraidhean ro-innse a’ chinn stiùiridh, agus fìrinn na talmhainn, agus an uairsin a’ cleachdadh optimization gus bileagan bog a ghineadh. Ach, tha prìomh eadar-dhealachadh ann. Anns an ro-innleachd seo, tha dà sheata de bhileagan bog, ìre garbh, agus leubail ghrinn.
Tha an leubail garbh air a chruthachadh le bhith a’ gabhail fois bho chuingealachaidhean an t-sampall adhartach
pròiseas sònrachaidh a bhios a’ làimhseachadh barrachd chliath mar thargaidean adhartach. Tha e air a dhèanamh gus cunnart bho bhith a’ call fiosrachadh a sheachnadh air sgàth neart ionnsachaidh nas laige a’ chinn taice.
Tha am figear gu h-àrd a’ mìneachadh mar a thathas a’ cleachdadh baga saor-thoileach ann an algorithm YOLOv7. Tha e a’ sealltainn garbh airson a’ chinn taice, agus grinn airson a’ chinn luaidhe. Nuair a nì sinn coimeas eadar Modail le Ceann Cuideachaidh (b) leis a’ Mhodal àbhaisteach (a), chì sinn gu bheil ceann taiceil aig an sgeama ann an (b), fhad ‘s nach eil e ann an (a).
Tha Figear (c) a’ sealltainn an sònrachaidh leubail neo-eisimeileach cumanta fhad ‘s a tha figear (d) & figear (e) fa leth a’ riochdachadh am Prìomh Shònraiche Treòraichte, agus an Sònraiche Treòraichte Coarse-toFine Lead a chleachd YOLOv7.
Baga de stuthan an-asgaidh eile a ghabhas trèanadh
A bharrachd air an fheadhainn a tha air an ainmeachadh gu h-àrd, tha an algorithm YOLOv7 a 'cleachdadh pocannan a bharrachd de freebies, ged nach deach am moladh leotha bho thùs. Is iad sin
- Normalachadh Baidse ann an Teicneòlas Gnìomhachd Conv-Bn: Tha an ro-innleachd seo air a chleachdadh gus còmhdach convolutional a cheangal gu dìreach ris an ìre àbhaisteachaidh baidse.
- Eòlas so-thuigsinn ann an YOLOR: Bidh an YOLOv7 a’ cothlamadh an ro-innleachd leis a’ mhapa feart Convolutional.
- Modail EMA: Tha am modail EMA air a chleachdadh mar mhodail iomraidh mu dheireadh ann an YOLOv7 ged a tha a phrìomh chleachdadh gu bhith air a chleachdadh anns a’ mhodh thidsear cuibheasach.
YOLOv7: Deuchainnean
Suidheachadh deuchainneach
Bidh an algairim YOLOv7 a 'cleachdadh an Stòr-dàta Microsoft COCO airson trèanadh agus dearbhadh am modail lorg nithean aca, agus chan eil na deuchainnean sin uile a’ cleachdadh modail ro-thrèanadh. Chleachd an luchd-leasachaidh stòr-dàta trèana 2017 airson trèanadh, agus chleachd iad an dàta dearbhaidh 2017 airson na hyperparameters a thaghadh. Mu dheireadh, tha coileanadh toraidhean lorg nì YOLOv7 air an coimeas ri algorithms ùr-nodha airson lorg nithean.
Dhealbhaich luchd-leasachaidh modal bunaiteach airson iomall GPU (YOLOv7-beagnach), GPU àbhaisteach (YOLOv7), agus GPU sgòthan (YOLOv7-W6). A bharrachd air an sin, bidh algorithm YOLOv7 cuideachd a’ cleachdadh modal bunaiteach airson sgèileadh mhodail a rèir diofar riatanasan seirbheis, agus a’ faighinn mhodalan eadar-dhealaichte. Airson an algairim YOLOv7 tha an sgèileadh stac air a dhèanamh air an amhaich, agus thathas a’ cleachdadh todhar a thathar a’ moladh gus doimhneachd is leud a’ mhodail àrdachadh.
Bun-loidhnichean
Bidh an algairim YOLOv7 a’ cleachdadh mhodalan YOLO a bh’ ann roimhe, agus an algairim lorg nithean YOLOR mar bhun-loidhne.
Tha am figear gu h-àrd a 'dèanamh coimeas eadar bun-loidhne modail YOLOv7 le modalan lorg nithean eile, agus tha na toraidhean gu math follaiseach. An coimeas ris an YOLOv4 algairim, YOLOv7 chan ann a mhàin a 'cleachdadh 75% nas lugha crìochan, ach tha e cuideachd a' cleachdadh 15% nas lugha àireamhachadh, agus tha 0.4% mionaideachd nas àirde.
Coimeas ri Modalan Lorgaire Rud as Fheàrr
Tha am figear gu h-àrd a’ sealltainn nan toraidhean nuair a thathar a’ dèanamh coimeas eadar YOLOv7 agus na modalan lorg nithean as ùire airson GPUs gluasadach & coitcheann. Faodar fhaicinn gu bheil an sgòr malairt luaths-cruinneas as fheàrr aig an dòigh a mhol algorithm YOLOv7.
Sgrùdadh Ablation: Modh Sgèileadh Co-mheasgaichte a thathar a’ moladh
Tha am figear gu h-àrd a’ dèanamh coimeas eadar toraidhean cleachdadh diofar ro-innleachdan airson a’ mhodail a mheudachadh. Tha an ro-innleachd sgèileachaidh ann am modail YOLOv7 a’ meudachadh doimhneachd a’ bhloca àireamhachd 1.5 uair, agus a’ sgèile an leud le 1.25 uair.
Nuair a thèid an coimeas ri modail a tha dìreach a’ meudachadh an doimhneachd, bidh modal YOLOv7 a’ coileanadh nas fheàrr le 0.5% fhad ‘s a tha e a’ cleachdadh nas lugha de pharamadairean, agus cumhachd àireamhachaidh. Air an làimh eile, nuair a thèid an coimeas ri modalan a tha dìreach a 'meudachadh an doimhneachd, tha cruinneas YOLOv7 air a leasachadh le 0.2%, ach feumar an àireamh de pharamadairean a sgèileadh le 2.9%, agus àireamhachadh 1.2%.
Modail Ath-Paramadairichte Dealbhaichte air a mholadh
Gus dearbhadh coitcheannachd a’ mhodail ath-parameter a thathar a’ moladh, tha an Bidh algairim YOLOv7 ga chleachdadh air modalan stèidhichte air fuigheall, agus stèidhichte air concatenation airson dearbhadh. Airson a 'phròiseas dearbhaidh, bidh an algorithm YOLOv7 a' cleachdadh ELAN 3-chruach airson a’ mhodail stèidhichte air concatenation, agus CSPDarknet airson modail stèidhichte air fuigheall.
Airson a’ mhodail stèidhichte air concatenation, bidh an algairim a’ dol an àite nan sreathan connspaideach 3 × 3 anns an ELAN le 3 cruachan le RepConv. Tha am figear gu h-ìosal a’ sealltainn rèiteachadh mionaideach Planned RepConv, agus ELAN 3-chruach.
A bharrachd air an sin, nuair a thathar a’ dèiligeadh ris a’ mhodail a tha stèidhichte air fuigheall, bidh an algairim YOLOv7 a’ cleachdadh bloc dorcha air a thionndadh air ais leis nach eil bloc tionndadh 3 × 3 aig a’ bhloc dorcha tùsail. Tha am figear gu h-ìosal a’ sealltainn ailtireachd an CSPDarknet air ais a tha a’ tionndadh suidheachadh an 3 × 3 agus an t-sreath connspaideach 1 × 1. 
Call Cuideachaidh a thathar a' moladh airson Ceannard Cuideachaidh
Airson an call neach-cuideachaidh airson ceann cuideachaidh, tha modail YOLOv7 a’ dèanamh coimeas eadar an t-sònrachadh leubail neo-eisimeileach airson na dòighean taic ceann & ceann luaidhe.
Anns an fhigear gu h-àrd tha toraidhean an sgrùdaidh air a’ cheann taice a thathar a’ moladh. Chithear gu bheil coileanadh iomlan a’ mhodail a’ dol am meud le àrdachadh ann an call an neach-cuideachaidh. A bharrachd air an sin, tha am prìomh shònrachadh leubail treòraichte a mhol modal YOLOv7 a’ coileanadh nas fheàrr na ro-innleachdan sònrachaidh luaidhe neo-eisimeileach.
Toraidhean YOLOv7
Stèidhichte air na deuchainnean gu h-àrd, seo toradh coileanadh YOLov7 an taca ri algorithms lorg nithean eile.
Tha am figear gu h-àrd a’ dèanamh coimeas eadar modal YOLOv7 agus algorithms lorg nithean eile, agus faodar fhaicinn gu soilleir gu bheil an YOLOv7 a’ dol thairis air modalan lorg ghearanan eile a thaobh Cuibheasach Precision (AP) v / s eadar-theachd baidse.
A bharrachd air an sin, tha am figear gu h-ìosal a’ dèanamh coimeas eadar coileanadh YOLOv7 v/s eile ann an àm fìor eile algorithm lorg ghearanan. A-rithist, bidh YOLOv7 a ’soirbheachadh le modalan eile a thaobh coileanadh iomlan, mionaideachd agus èifeachdas.
Seo cuid de bheachdan a bharrachd bho thoraidhean & coileanaidhean YOLOv7.
- Is e an YOLOv7-Tiny am modail as lugha anns an teaghlach YOLO, le còrr air 6 millean paramadair. Tha cruinneas cuibheasach de 7% aig an YOLOv35.2-Tiny, agus tha e a’ coileanadh nas fheàrr na modalan YOLOv4-Tiny le paramadairean coimeasach.
- Tha còrr air 7 millean paramadair aig modal YOLOv37, agus tha e a’ coileanadh nas fheàrr na modalan le paramadairean nas àirde leithid YOLov4.
- Tha an ìre mAP agus FPS as àirde aig modal YOLOv7 anns an raon de 5 gu 160 FPS.
Co-dhùnadh
Is e YOLO no You Only Look Once am modal lorg nithean ùr-nodha ann an sealladh coimpiutair an latha an-diugh. Tha an algairim YOLO ainmeil airson cho mionaideach ‘s a tha e, agus cho èifeachdach sa tha e, agus mar thoradh air an sin, lorgar cleachdadh farsaing anns a’ ghnìomhachas lorg nithean fìor-ùine. A-riamh bho chaidh a’ chiad algairim YOLO a thoirt a-steach air ais ann an 2016, tha deuchainnean air leigeil le luchd-leasachaidh am modail a leasachadh gu leantainneach.
Is e modal YOLOv7 an cur-ris as ùire san teaghlach YOLO, agus is e an algairim YOLo as cumhachdaiche gu ruige seo. Anns an aiste seo, tha sinn air bruidhinn mu na bunaitean YOLOv7, agus a 'feuchainn ri mìneachadh dè tha a' dèanamh YOLOv7 cho èifeachdach.
