Modelli e piattaforme di IA
YOLOv7: L’Algoritmo di Rilevamento di Oggetti più Avanzato?

Punti chiaveYOLOv7 introduce un metodo di scalatura composta specificamente progettato per…
Vedi di più
- YOLOv7 introduce un metodo di scalatura composta specificamente progettato per architetture basate su concatenazione come la sua stessa.
- L'algoritmo sostituisce l'assegnazione dinamica delle etichette con un nuovo approccio guidato da riferimento grossolano-a-fine per la stabilità dell'addestramento.
- YOLOv7 ottimizza l'addestramento attraverso un 'trainable bag of freebies' che migliora l'accuratezza senza aumentare il costo di inferenza.
Il 6 luglio 2022 sarà ricordato come una data importante nella storia dell’AI: è il giorno in cui è stato pubblicato YOLOv7. Fin dal lancio, YOLOv7 è stato al centro dell’attenzione della comunità di sviluppatori di visione artificiale, e a ragione. È già considerato una pietra miliare nel rilevamento degli oggetti.
Poco dopo la pubblicazione dell’ articolo scientifico su YOLOv7, il modello si è affermato come il più veloce e accurato nel rilevamento degli oggetti in tempo reale. Ma come supera i suoi predecessori? Che cosa lo rende così efficiente nei compiti di visione artificiale?
In questo articolo analizzeremo YOLOv7 e cercheremo di capire perché stia diventando uno standard del settore. Prima, però, ripercorreremo brevemente la storia del rilevamento degli oggetti.
Che cos’è il rilevamento degli oggetti?
Il rilevamento degli oggetti è un ramo della visione artificiale che identifica e localizza gli oggetti in un’immagine o in un file video. È alla base di numerose applicazioni, tra cui automobili a guida autonoma, sistemi di sorveglianza e robotica.
I modelli di rilevamento degli oggetti possono essere classificati in due categorie: rilevatori a passaggio singolo e rilevatori a più passaggi.
Rilevamento degli oggetti in tempo reale
Per comprendere davvero il funzionamento di YOLOv7 occorre capirne l’obiettivo principale: ilrilevamento degli oggetti in tempo reale. È una componente fondamentale della visione artificiale moderna. Questi modelli cercano di identificare e localizzare gli oggetti di interesse in tempo reale e consentono agli sviluppatori di seguirli in una sequenza in movimento, come un video o un flusso di sorveglianza dal vivo.

I modelli di rilevamento in tempo reale rappresentano un’evoluzione rispetto ai modelli convenzionali per le immagini. I primi permettono di seguire oggetti nei file video; i secondi localizzano e identificano gli oggetti in un fotogramma statico, come un’immagine.
Per questo i modelli in tempo reale sono molto efficienti nell’analisi video, nei veicoli autonomi, nel conteggio degli oggetti, nel tracciamento di più oggetti e in numerose altre applicazioni.
Che cos’è YOLO?
YOLO, acronimo di «You Only Look Once», è una famiglia di modelli per il rilevamento degli oggetti in tempo reale. Il concetto è stato introdotto nel 2016 da Joseph Redmon e ha attirato subito l’attenzione perché era molto più veloce e accurato degli algoritmi esistenti. In breve tempo YOLO è diventato uno standard della visione artificiale.

L’idea fondamentale di YOLO è usare una rete neurale end-to-end che produca previsioni in tempo reale mediante riquadri di delimitazione e probabilità di classe. Rispetto ai modelli precedenti, proponeva un approccio diverso al rilevamento degli oggetti, riutilizzando i classificatori.
Il cambiamento ha funzionato: YOLO è diventato presto uno standard grazie al notevole divario di prestazioni rispetto agli altri algoritmi di rilevamento in tempo reale. Ma da dove derivava questa efficienza?
Gli algoritmi dell’epoca usavano reti di proposta delle regioni per individuare possibili aree di interesse, poi eseguivano il riconoscimento su ogni regione separatamente. Questi modelli compivano quindi spesso più iterazioni sulla stessa immagine, con minore accuratezza e tempi di esecuzione maggiori. YOLO, invece, usa un singolo strato completamente connesso per effettuare la previsione in una sola volta.
Come funziona YOLO?
Il funzionamento di YOLO si può spiegare in tre passaggi.
Riformulare il rilevamento come un unico problema di regressione
YOLO cerca di riformulare il rilevamento degli oggetti come un unico problema di regressione, dai pixel dell’immagine alle probabilità di classe e alle coordinate dei riquadri di delimitazione. L’algoritmo deve quindi osservare l’immagine una sola volta per prevedere e localizzare gli oggetti cercati.
Analizzare l’immagine nel suo insieme
Inoltre, quando effettua previsioni, YOLO considera l’immagine nel suo insieme. A differenza delle tecniche basate su proposte di regioni o finestre scorrevoli, durante l’addestramento e il test vede l’immagine completa e può codificare informazioni contestuali sulle classi e sul loro aspetto.
Prima di YOLO, Fast R-CNN era uno degli algoritmi più diffusi, ma non riusciva a cogliere il contesto complessivo e scambiava porzioni dello sfondo per oggetti. Rispetto a Fast R-CNN, YOLO è più accurato del 50% per quanto riguarda gli errori sullo sfondo.
Generalizzare la rappresentazione degli oggetti
YOLO mira anche a generalizzare le rappresentazioni degli oggetti. Quando è stato eseguito e valutato su un insieme di immagini naturali, ha superato nettamente i modelli R-CNN esistenti. Grazie alla sua capacità di generalizzazione, era meno probabile che fallisse con input imprevisti o in nuovi domini.
YOLOv7: che cosa cambia?
Ora che abbiamo chiarito che cosa sono il rilevamento in tempo reale e l’algoritmo YOLO, possiamo esaminare YOLOv7.
Ottimizzare il processo di addestramento
YOLOv7 cerca di ottimizzare sia l’architettura del modello sia il processo di addestramento. Usa moduli e metodi di ottimizzazione per migliorare l’accuratezza del rilevamento, intervenendo sul costo di addestramento ma mantenendo quello di inferenza. Questi moduli costituiscono un insieme di tecniche addestrabili senza costo aggiuntivo in inferenza, o «trainable bag of freebies».
Assegnazione delle etichette dal grossolano al fine, guidata dalla testa principale
YOLOv7 propone una nuova assegnazione delle etichette dal grossolano al fine, guidata dalla testa principale, al posto della tradizionale assegnazione dinamica delle etichette. Con quest’ultima, infatti, l’addestramento di un modello con più strati di uscita crea problemi, soprattutto nell’assegnare obiettivi dinamici ai diversi rami e alle rispettive uscite.
Riparametrizzazione del modello
La riparametrizzazione è un concetto importante nel rilevamento degli oggetti, ma il suo impiego può creare problemi durante l’addestramento. YOLOv7 intende usare il percorso di propagazione del gradiente per analizzare le strategie di riparametrizzazione applicabili ai diversi strati della rete.
Scalatura estesa e composta
YOLOv7 introduce anche metodi di scalatura estesa e composta per usare efficacemente parametri e calcoli nel rilevamento in tempo reale.

YOLOv7: lavori correlati
Rilevamento degli oggetti in tempo reale
YOLO è lo standard del settore e la maggior parte dei rilevatori in tempo reale usa algoritmi YOLO e FCOS, ossia Fully Convolutional One-Stage Object-Detection. Un rilevatore all’avanguardia presenta in genere queste caratteristiche:
- Un’architettura di rete più potente e veloce.
- Un metodo efficace di integrazione delle caratteristiche.
- Un metodo accurato di rilevamento degli oggetti.
- Una funzione di perdita robusta.
- Un metodo efficiente di assegnazione delle etichette.
- Un metodo efficiente di addestramento.
YOLOv7 non usa l’apprendimento auto-supervisionato e i metodi di distillazione, che spesso richiedono grandi quantità di dati. Usa invece un insieme di tecniche addestrabili senza costi aggiuntivi in inferenza.
Riparametrizzazione del modello
La riparametrizzazione è considerata una tecnica di ensemble che fonde più moduli di calcolo nella fase di inferenza. Si divide in due categorie: ensemble a livello di modello e ensemble a livello di modulo.
Per ottenere il modello finale di inferenza, la riparametrizzazione a livello di modello segue due pratiche. La prima addestra numerosi modelli identici su dati diversi e poi calcola la media dei loro pesi. La seconda calcola la media dei pesi dei modelli in iterazioni diverse.
La riparametrizzazione a livello di modulo sta diventando molto diffusa. Durante l’addestramento suddivide un modulo in rami diversi o identici; in fase di inferenza li integra in un modulo equivalente.
Queste tecniche non sono però applicabili a ogni architettura. Per questo YOLOv7 usa nuove tecniche di riparametrizzazione per progettare strategie adatte ad architetture diverse.
Scalatura del modello
Scalare un modello significa aumentarne o ridurne le dimensioni per adattarlo a dispositivi di calcolo diversi. Si considerano fattori come il numero di strati (profondità), la dimensione delle immagini in ingresso (risoluzione), il numero di piramidi di caratteristiche (stadi) e il numero di canali (larghezza). Questi fattori sono essenziali per bilanciare parametri della rete, velocità di inferenza, calcolo e accuratezza.
Uno dei metodi più comuni è la NAS, o ricerca dell’architettura di rete, che cerca automaticamente fattori di scalatura adatti in uno spazio di ricerca, senza regole complesse. Il suo principale svantaggio è il costo elevato della ricerca.
Quasi tutti i modelli di riparametrizzazione analizzano e ottimizzano separatamente i singoli fattori di scalatura. Ciò avviene perché l’architettura NAS lavora con fattori non correlati.
Nei modelli basati sulla concatenazione, come VoVNet o DenseNet, la scalatura della profondità modifica la larghezza di ingresso di alcuni strati. YOLOv7 usa un’architettura proposta basata sulla concatenazione e adotta quindi un metodo di scalatura composta.

La figura precedente confronta le reti estese di aggregazione efficiente degli strati (E-ELAN) di modelli diversi. E-ELAN mantiene il percorso di trasmissione del gradiente dell’architettura originale, ma aumenta la cardinalità delle caratteristiche aggiunte mediante convoluzione a gruppi. Questo può arricchire le caratteristiche apprese da mappe diverse e rendere più efficiente l’uso di calcoli e parametri.
Architettura di YOLOv7
YOLOv7 si basa sui modelli YOLOv4, YOLO-R e Scaled YOLOv4. Nasce dagli esperimenti condotti su questi modelli per migliorare i risultati e l’accuratezza.
Rete estesa di aggregazione efficiente degli strati, o E-ELAN
E-ELAN è l’elemento fondamentale di YOLOv7 e deriva da modelli esistenti sull’efficienza delle reti, soprattutto da ELAN.
Nella progettazione di un’architettura efficiente si considerano soprattutto numero di parametri, densità computazionale e quantità di calcoli. Altri modelli valutano anche il rapporto tra canali di ingresso e uscita, i rami della rete, la velocità di inferenza, il numero di elementi nei tensori della rete convoluzionale e altri fattori.
Il modello CSPVoNet considera questi parametri e analizza anche il percorso del gradiente per apprendere caratteristiche più diversificate mediante i pesi di strati diversi. L’approccio rende l’inferenza molto più veloce e accurata. L’architettura ELAN mira a progettare una rete efficiente controllando i percorsi del gradiente più brevi e più lunghi, per migliorare apprendimento e convergenza.
ELAN ha già raggiunto uno stato stabile rispetto al numero di blocchi di calcolo sovrapposti e alla lunghezza del percorso del gradiente. Sovrapporre blocchi senza limiti può distruggere questa stabilità e ridurre il tasso di utilizzo dei parametri. L’architettura E-ELAN proposta risolve il problema mediante espansione, rimescolamento e fusione della cardinalità , migliorando continuamente la capacità di apprendimento della rete e mantenendo il percorso del gradiente originale.
Confrontando E-ELAN ed ELAN, l’unica differenza riguarda il blocco di calcolo, mentre l’architettura dello strato di transizione rimane invariata.
E-ELAN propone di ampliare la cardinalità dei blocchi di calcolo e il numero di canali mediante convoluzione a gruppi. Le mappe delle caratteristiche vengono calcolate, rimescolate in gruppi secondo il relativo parametro e poi concatenate. Il numero di canali di ogni gruppo resta uguale a quello dell’architettura originale. Infine, i gruppi di mappe vengono sommati per ottenere la cardinalità prevista.
Scalatura dei modelli basati sulla concatenazione
La scalatura consente di regolare le proprietà dei modelli per generare modelli di dimensioni diverse secondo i requisiti e le velocità di inferenza richieste.

La figura mostra la scalatura di diversi modelli basati sulla concatenazione. Nelle figure (a) e (b), la larghezza di uscita del blocco di calcolo aumenta con la scalatura della profondità, facendo aumentare anche la larghezza di ingresso degli strati di transizione. La figura (c) illustra l’applicazione della scalatura in profondità a un’architettura basata sulla concatenazione.
I fattori di scalatura di questi modelli non possono quindi essere analizzati indipendentemente, ma devono essere considerati insieme. Per un modello basato sulla concatenazione, è opportuno usare il corrispondente metodo di scalatura composta. Quando si scala la profondità, occorre scalare anche i canali di uscita del blocco.
Tecniche addestrabili senza costi aggiuntivi in inferenza
Gli sviluppatori usano l’espressione «bag of freebies» per descrivere un insieme di metodi o tecniche che modificano la strategia o il costo di addestramento per migliorare l’accuratezza del modello. Quali sono le tecniche addestrabili di YOLOv7? Vediamole.
Convoluzione con riparametrizzazione pianificata
YOLOv7 usa i percorsi di propagazione del gradiente per determinare come combinare al meglio una rete con la convoluzione riparametrizzata. L’approccio cerca di risolvere i limiti dell’ algoritmo RepConv , che funziona bene su VGG ma male quando viene applicato direttamente a DenseNet e ResNet.
Per individuare le connessioni di uno strato convoluzionale, RepConv combina convoluzioni 3×3 e 1×1. Analizzandone prestazioni e architettura, si osserva che RepConv compromette la concatenazione in DenseNet e la connessione residua in ResNet.

L’immagine precedente mostra un modello con riparametrizzazione pianificata. YOLOv7 rileva che, in uno strato con concatenazioni o connessioni residue, RepConv non dovrebbe avere una connessione identità. È quindi possibile sostituirlo con RepConvN, che non la contiene.
Etichette grossolane per la perdita ausiliaria e fini per quella principale
La supervisione profonda è un ambito dell’informatica spesso usato nell’addestramento delle reti profonde. Il suo principio fondamentale consiste nell’ aggiungere una testa ausiliaria negli strati intermedi della rete , guidando anche i pesi della parte meno profonda mediante una perdita ausiliaria. YOLOv7 chiama «testa principale» quella responsabile dell’uscita finale e «testa ausiliaria» quella che aiuta l’addestramento.
YOLOv7 usa inoltre un metodo diverso di assegnazione delle etichette. Tradizionalmente queste venivano generate riferendosi direttamente ai dati di verità e a regole prestabilite. Negli ultimi anni, distribuzione e qualità delle previsioni in ingresso sono diventate importanti per generare etichette affidabili. YOLOv7 genera un’etichetta morbida dell’oggetto usando le previsioni dei riquadri di delimitazione e i dati di verità.
Il nuovo metodo usa le previsioni della testa principale per guidare sia quest’ultima sia la testa ausiliaria. Sono proposte due strategie.
Assegnazione delle etichette guidata dalla testa principale
La strategia esegue calcoli sulla base delle previsioni della testa principale e dei dati di verità, quindi usa l’ottimizzazione per generare etichette morbide. Queste servono per addestrare entrambe le teste.
Il presupposto è che la testa principale abbia una maggiore capacità di apprendimento e produca quindi etichette più rappresentative, capaci di correlare sorgente e obiettivo.
Assegnazione dal grossolano al fine guidata dalla testa principale
Anche questa strategia calcola le etichette a partire dalle previsioni della testa principale e dai dati di verità, usando poi l’ottimizzazione. La differenza è che genera due insiemi di etichette morbide: grossolane e fini.
Le etichette grossolane vengono generate allentando i vincoli dell’assegnazione dei campioni positivi,
considerando più celle della griglia come obiettivi positivi. Questo evita il rischio di perdere informazioni a causa della minore capacità di apprendimento della testa ausiliaria.

La figura precedente illustra le tecniche addestrabili di YOLOv7: etichette grossolane per la testa ausiliaria e fini per quella principale. Confrontando il modello con testa ausiliaria (b) con quello normale (a), si nota che solo il primo contiene tale testa.
La figura (c) mostra il comune assegnatore indipendente; le figure (d) ed (e) rappresentano rispettivamente l’assegnatore guidato dalla testa principale e quello dal grossolano al fine usati da YOLOv7.
Altre tecniche addestrabili senza costi aggiuntivi in inferenza
YOLOv7 usa anche altre tecniche, non proposte originariamente dai suoi autori:
- Normalizzazione per batch nella sequenza Conv-Bn-Activation: questa strategia collega direttamente uno strato convoluzionale a quello di normalizzazione per batch.
- Conoscenza implicita in YOLOR: YOLOv7 combina questa strategia con la mappa delle caratteristiche convoluzionali.
- Modello EMA: in YOLOv7 viene usato come modello finale di riferimento, sebbene il suo impiego principale sia nel metodo mean teacher.
YOLOv7: esperimenti
Configurazione sperimentale
YOLOv7 usa il dataset Microsoft COCO per addestrare e validare il modello di rilevamento. Non tutti gli esperimenti usano un modello preaddestrato. Gli sviluppatori hanno usato il set di addestramento del 2017 per la formazione e quello di validazione del 2017 per selezionare gli iperparametri. Infine, i risultati vengono confrontati con gli algoritmi di rilevamento all’avanguardia.
Gli sviluppatori hanno progettato modelli di base per GPU edge (YOLOv7-tiny), GPU normali (YOLOv7) e GPU cloud (YOLOv7-W6). Il modello di base viene inoltre scalato secondo i requisiti dei diversi servizi, ottenendo varianti diverse. La scalatura per sovrapposizione avviene nel neck, mentre i metodi composti proposti aumentano profondità e larghezza.
Modelli di riferimento
YOLOv7 usa come riferimenti i precedenti modelli YOLO e l’algoritmo di rilevamento YOLOR.

La figura precedente confronta il riferimento di YOLOv7 con altri modelli e mostra risultati chiari. Rispetto a YOLOv4, YOLOv7 usa il 75% di parametri in meno e il 15% di calcoli in meno, con un’accuratezza superiore dello 0,4%.
Confronto con i rilevatori all’avanguardia

La figura precedente mostra il confronto con i rilevatori più avanzati per GPU mobili e di uso generale. Il metodo proposto da YOLOv7 presenta il miglior compromesso tra velocità e accuratezza.
Studio di ablazione: metodo proposto di scalatura composta

La figura precedente confronta strategie diverse per ingrandire il modello. YOLOv7 aumenta di 1,5 volte la profondità del blocco di calcolo e di 1,25 volte la larghezza.
Rispetto a un modello che aumenta solo la profondità, YOLOv7 migliora dello 0,5% usando meno parametri e calcoli. Rispetto ai modelli che aumentano solo la profondità, l’accuratezza migliora dello 0,2%, ma i parametri devono aumentare del 2,9% e i calcoli dell’1,2%.
Modello proposto con riparametrizzazione pianificata
Per verificarne la generalità, YOLOv7 applica il modello riparametrizzato sia ad architetture residue sia ad architetture basate sulla concatenazione. Nella verifica usa ELAN con tre blocchi sovrapposti per il modello basato sulla concatenazione e CSPDarknet per quello residuo.
Nel modello basato sulla concatenazione, le convoluzioni 3×3 di ELAN con tre blocchi sovrapposti sono sostituite da RepConv. La figura seguente mostra la configurazione dettagliata di Planned RepConv e di questa versione di ELAN.

Per il modello residuo, YOLOv7 usa un blocco dark invertito, perché quello originale non contiene un blocco convoluzionale 3×3. La figura seguente mostra Reversed CSPDarknet, che scambia le posizioni delle convoluzioni 3×3 e 1×1. 
Perdita ausiliaria proposta per la testa ausiliaria
Per questa perdita, YOLOv7 confronta l’assegnazione indipendente delle etichette per la testa ausiliaria e quella principale.

La figura precedente contiene i risultati dello studio sulla testa ausiliaria proposta. Le prestazioni complessive aumentano con la perdita ausiliaria. Inoltre, l’assegnazione delle etichette guidata dalla testa principale supera le strategie di assegnazione indipendenti.
Risultati di YOLOv7
Sulla base degli esperimenti precedenti, ecco le prestazioni di YOLOv7 rispetto agli altri algoritmi di rilevamento.

La figura precedente confronta YOLOv7 con altri algoritmi e mostra che li supera nel rapporto tra precisione media (AP) e inferenza per batch.
La figura seguente confronta le prestazioni di YOLOv7 con altri algoritmi di rilevamento in tempo reale. Anche in questo caso YOLOv7 li supera per prestazioni complessive, accuratezza ed efficienza.

Dai risultati emergono altre osservazioni:
- YOLOv7-Tiny è il modello più piccolo della famiglia, con oltre sei milioni di parametri. Ha una precisione media del 35,2% e supera i modelli YOLOv4-Tiny con un numero di parametri comparabile.
- YOLOv7 ha oltre 37 milioni di parametri e supera modelli che ne hanno di più, come YOLOv4.
- YOLOv7 presenta i valori più alti di mAP e FPS nell’intervallo da 5 a 160 FPS.
Conclusione
YOLO, o You Only Look Once, è un modello all’avanguardia per il rilevamento degli oggetti nella visione artificiale moderna. È noto per accuratezza ed efficienza e trova quindi ampio impiego nel rilevamento in tempo reale. Dalla sua introduzione nel 2016, gli esperimenti hanno permesso agli sviluppatori di migliorarlo continuamente.
YOLOv7 è l’ultima aggiunta alla famiglia YOLO ed è, al momento descritto nell’articolo, l’algoritmo YOLO più potente. Abbiamo illustrato i suoi fondamenti e cercato di spiegare che cosa lo renda così efficiente.












