โมเดลและแพลตฟอร์ม AI
YOLOv7: อัลกอริทึมการตรวจจับวัตถุที่ทันสมัยที่สุด?

ประเด็นสำคัญYOLOv7…
ดูเพิ่มเติม
- YOLOv7 นำเสนอวิธีการปรับสเกลแบบผสมที่ออกแบบมาเฉพาะสำหรับสถาปัตยกรรมที่ใช้การเชื่อมต่อแบบต่อเนื่อง (concatenation) เช่น ของตัวมันเอง
- อัลกอริทึมนี้แทนที่การกำหนดป้ายกำกับแบบไดนามิกด้วยวิธีการชี้นำแบบละเอียดจากภาพรวมไปสู่ส่วนย่อย (coarse-to-fine lead guided) ใหม่ เพื่อความเสถียรในการฝึก
- YOLOv7 ปรับปรุงการฝึกผ่าน 'ชุดเทคนิคฝึกฝนที่ปรับปรุงได้ (trainable bag of freebies)' ซึ่งช่วยเพิ่มความแม่นยำโดยไม่เพิ่มต้นทุนการอนุมาน
วันที่ 6 กรกฎาคม 2022 เป็นหมุดหมายสำคัญในประวัติศาสตร์ AI เพราะเป็นวันเปิดตัว YOLOv7 นับจากนั้นโมเดลนี้เป็นประเด็นที่ชุมชนนักพัฒนาคอมพิวเตอร์วิทัศน์พูดถึงมาก ด้วยเหตุผลที่เหมาะสม และได้รับการยอมรับว่าเป็นก้าวสำคัญของการตรวจจับวัตถุ
ไม่นานหลังจาก เผยแพร่บทความวิจัย YOLOv7 โมเดลนี้ก็โดดเด่นในฐานะโมเดลตรวจจับวัตถุแบบเรียลไทม์ที่เร็วและแม่นยำที่สุด แล้วมันเหนือกว่ารุ่นก่อนอย่างไร? อะไรทำให้ทำงานคอมพิวเตอร์วิทัศน์ได้มีประสิทธิภาพ?
บทความนี้วิเคราะห์ YOLOv7 เพื่ออธิบายว่าเหตุใดจึงกลายเป็นมาตรฐานในอุตสาหกรรม แต่ก่อนตอบ เราจะทบทวนประวัติย่อของการตรวจจับวัตถุก่อน
การตรวจจับวัตถุคืออะไร?
การตรวจจับวัตถุเป็นสาขาหนึ่งของคอมพิวเตอร์วิทัศน์ ที่ระบุชนิดและตำแหน่งวัตถุในภาพหรือวิดีโอ เป็นพื้นฐานของหลายแอปพลิเคชัน เช่น รถขับเคลื่อนอัตโนมัติ การเฝ้าระวัง และหุ่นยนต์
โมเดลตรวจจับวัตถุแบ่งได้เป็นสองประเภท คือ ตัวตรวจจับแบบครั้งเดียว และ ตัวตรวจจับแบบหลายครั้ง
การตรวจจับวัตถุแบบเรียลไทม์
เพื่อเข้าใจ YOLOv7 ต้องเข้าใจเป้าหมายหลักคือ “การตรวจจับวัตถุแบบเรียลไทม์”ซึ่งเป็นองค์ประกอบสำคัญของคอมพิวเตอร์วิทัศน์สมัยใหม่ โมเดลพยายามระบุชนิดและตำแหน่งวัตถุที่สนใจทันที ช่วยให้นักพัฒนาติดตามวัตถุในภาพเคลื่อนไหว เช่น วิดีโอหรือข้อมูลกล้องเฝ้าระวังสดได้อย่างมีประสิทธิภาพ

โมเดลเรียลไทม์ก้าวไปอีกขั้นจากโมเดลตรวจจับภาพทั่วไป แบบแรกติดตามวัตถุในวิดีโอ ส่วนแบบหลังระบุชนิดและตำแหน่งในเฟรมนิ่ง เช่น ภาพถ่าย
จึงเหมาะกับการวิเคราะห์วิดีโอ ยานพาหนะอัตโนมัติ การนับวัตถุ การติดตามหลายวัตถุ และงานอื่นๆ
YOLO คืออะไร?
YOLO หรือ “You Only Look Once” เป็นตระกูลโมเดลตรวจจับวัตถุเรียลไทม์ Joseph Redmon เสนอแนวคิดนี้ครั้งแรกในปี 2016 และได้รับความสนใจทันที เพราะเร็วและแม่นยำกว่าอัลกอริทึมที่มีอยู่ ไม่นานก็กลายเป็นมาตรฐานในอุตสาหกรรมคอมพิวเตอร์วิทัศน์

แนวคิดหลักคือใช้โครงข่ายประสาทเทียมแบบต้นทางถึงปลายทาง โดยใช้กรอบล้อมวัตถุและความน่าจะเป็นของคลาสทำนายแบบเรียลไทม์ YOLO ต่างจากโมเดลก่อนหน้าเพราะนำตัวจำแนกประเภทมาปรับใช้กับการตรวจจับวัตถุในแนวทางใหม่
แนวทางนี้ได้ผลและ YOLO กลายเป็นมาตรฐานอย่างรวดเร็ว เพราะมีประสิทธิภาพต่างจากอัลกอริทึมเรียลไทม์อื่นอย่างชัดเจน แล้วเหตุใดจึงมีประสิทธิภาพมาก?
อัลกอริทึมในยุคนั้นใช้ Region Proposal Networks เสนอพื้นที่ที่น่าสนใจ แล้วจดจำวัตถุในแต่ละพื้นที่แยกกัน จึงมักประมวลผลภาพเดิมหลายรอบ ทำให้ความแม่นยำลดลงและใช้เวลามาก ส่วน YOLO ใช้เลเยอร์เชื่อมต่อเต็มรูปแบบเพียงเลเยอร์เดียวทำนายพร้อมกันในครั้งเดียว
YOLO ทำงานอย่างไร?
อธิบายการทำงานได้เป็นสามขั้นตอน
ปรับการตรวจจับวัตถุให้เป็นปัญหาการถดถอยเดียว
อัลกอริทึม YOLO ปรับการตรวจจับวัตถุให้เป็นปัญหาการถดถอยเดียวจากพิกเซลภาพไปสู่ความน่าจะเป็นของคลาสและพิกัดกรอบล้อมวัตถุ จึงดูภาพเพียงครั้งเดียวเพื่อทำนายชนิดและตำแหน่งวัตถุเป้าหมาย
พิจารณาภาพทั้งภาพ
นอกจากนี้ เมื่อ YOLO ทำนาย จะพิจารณาภาพทั้งภาพต่างจากวิธีเสนอพื้นที่หรือเลื่อนหน้าต่าง เพราะเห็นภาพทั้งหมดระหว่างฝึกและทดสอบ จึงเข้ารหัสบริบทเกี่ยวกับคลาสและลักษณะที่ปรากฏได้
ก่อน YOLO, Fast R-CNN เป็นอัลกอริทึมยอดนิยมที่มองบริบทภาพโดยรวมไม่ได้ จึงมักเข้าใจส่วนพื้นหลังผิดว่าเป็นวัตถุ เมื่อเทียบกับ Fast R-CNN, YOLO มีความแม่นยำสูงกว่าถึง 50% ในด้านข้อผิดพลาดที่เกี่ยวกับพื้นหลัง
ทำให้การแทนวัตถุใช้ได้ทั่วไป
YOLO มุ่งให้การแทนวัตถุในภาพนำไปใช้ได้ทั่วไป เมื่อทำงานและทดสอบกับชุดข้อมูลภาพธรรมชาติ จึงเหนือกว่า R-CNN เดิมอย่างมาก ความสามารถนี้ทำให้โอกาสล้มเหลวเมื่อเจอข้อมูลไม่คาดคิดหรือโดเมนใหม่ต่ำลง
YOLOv7 มีอะไรใหม่?
เมื่อเข้าใจการตรวจจับวัตถุเรียลไทม์และ YOLO แล้ว มาดูอัลกอริทึม YOLOv7
ปรับกระบวนการฝึกให้เหมาะสม
YOLOv7 ไม่ได้ปรับเฉพาะสถาปัตยกรรม แต่ปรับกระบวนการฝึกด้วย โดยใช้โมดูลและวิธีเพิ่มความแม่นยำ ซึ่งอาจเพิ่มต้นทุนการฝึกแต่คงต้นทุนการอนุมานไว้ โมดูลเหล่านี้เรียกว่า trainable bag of freebies หรือชุดเทคนิคที่ฝึกได้และเพิ่มความแม่นยำโดยไม่เพิ่มต้นทุนการอนุมาน
กำหนดป้ายกำกับจากหยาบสู่ละเอียดโดยใช้หัวหลักชี้นำ
YOLOv7 เสนอวิธีกำหนดป้ายกำกับแบบใหม่จากหยาบสู่ละเอียดโดยหัวหลักชี้นำ แทน การกำหนดป้ายกำกับแบบไดนามิก เพราะวิธีไดนามิกทำให้เกิดปัญหาเมื่อฝึกโมเดลหลายเลเยอร์เอาต์พุต โดยเฉพาะการกำหนดเป้าหมายไดนามิกให้แต่ละแขนงและเอาต์พุต
การจัดรูปพารามิเตอร์ใหม่ของโมเดล
การจัดรูปพารามิเตอร์ใหม่เป็นแนวคิดสำคัญที่มักมีปัญหาระหว่างฝึก YOLOv7 จึงใช้ เส้นทางการแพร่กระจายเกรเดียนต์วิเคราะห์กลยุทธ์การจัดรูปพารามิเตอร์ใหม่ ที่เหมาะกับเลเยอร์ต่างๆ ในเครือข่าย
การขยายและปรับขนาดแบบผสม
YOLOv7 ยังเสนอ วิธีขยายและปรับขนาดแบบผสม เพื่อใช้พารามิเตอร์และการคำนวณสำหรับตรวจจับวัตถุเรียลไทม์อย่างมีประสิทธิภาพ

YOLOv7: งานที่เกี่ยวข้อง
การตรวจจับวัตถุแบบเรียลไทม์
YOLO เป็นมาตรฐานในอุตสาหกรรม ตัวตรวจจับเรียลไทม์ส่วนใหญ่ใช้อัลกอริทึม YOLO และ FCOS (Fully Convolutional One-Stage Object Detection) ตัวตรวจจับสมัยใหม่มักมีลักษณะดังนี้
- สถาปัตยกรรมเครือข่ายแข็งแกร่งและเร็วขึ้น
- การรวมคุณลักษณะที่มีประสิทธิภาพ
- วิธีตรวจจับวัตถุที่แม่นยำ
- ฟังก์ชันความสูญเสียที่ทนทาน
- วิธีกำหนดป้ายกำกับที่มีประสิทธิภาพ
- วิธีฝึกที่มีประสิทธิภาพ
YOLOv7 ไม่ใช้การเรียนรู้แบบกำกับตนเองและการกลั่นความรู้ซึ่งมักต้องใช้ข้อมูลมาก แต่ใช้ชุดเทคนิค bag of freebies ที่ฝึกได้
การจัดรูปพารามิเตอร์ใหม่ของโมเดล
เทคนิคนี้เป็นวิธีเอนเซมเบิลที่รวมโมดูลการคำนวณหลายตัวในช่วงอนุมาน แบ่งเป็น เอนเซมเบิลระดับโมเดล และ เอนเซมเบิลระดับโมดูล
การจัดรูปพารามิเตอร์ระดับโมเดลเพื่อได้โมเดลอนุมานสุดท้ายทำได้สองวิธี วิธีแรกฝึกโมเดลโครงสร้างเหมือนกันหลายตัวด้วยข้อมูลต่างกัน แล้วเฉลี่ยน้ำหนักที่ฝึกแล้ว อีกวิธีเฉลี่ยน้ำหนักของโมเดลจากการฝึกในรอบต่างๆ
การจัดรูปพารามิเตอร์ระดับโมดูลได้รับความนิยมมากขึ้น โดยแยกโมดูลเป็นหลายแขนงหรือแขนงเหมือนกันระหว่างฝึก แล้วรวมเป็นโมดูลที่ให้ผลเทียบเท่าระหว่างอนุมาน
อย่างไรก็ตาม วิธีนี้ใช้ไม่ได้กับทุกสถาปัตยกรรม จึงเป็นเหตุผลที่ YOLOv7 ใช้เทคนิคการจัดรูปพารามิเตอร์ใหม่เพื่อออกแบบกลยุทธ์ ที่เหมาะกับสถาปัตยกรรมต่างๆ
การปรับขนาดโมเดล
เป็นการขยายหรือย่อโมเดลให้เหมาะกับอุปกรณ์คำนวณ โดยใช้ปัจจัย เช่น จำนวนเลเยอร์ (ความลึก) ขนาดภาพอินพุต (ความละเอียด) จำนวนพีระมิดคุณลักษณะ (ขั้น) และจำนวนช่อง (ความกว้าง) ปัจจัยเหล่านี้สำคัญต่อสมดุลระหว่างพารามิเตอร์ ความเร็วอนุมาน การคำนวณ และความแม่นยำ
วิธีปรับขนาดที่พบบ่อยคือ NAS หรือการค้นหาสถาปัตยกรรมเครือข่าย ที่ค้นหาปัจจัยเหมาะสมอัตโนมัติด้วยกลไกค้นหาโดยไม่ต้องมีกฎซับซ้อน แต่ข้อเสียหลักคือมีต้นทุนค้นหาสูง
โมเดลจัดรูปพารามิเตอร์ใหม่แทบทุกแบบวิเคราะห์และปรับปัจจัยการปรับขนาดแต่ละตัวแยกกัน เพราะสถาปัตยกรรม NAS ทำงานกับปัจจัยที่ไม่สัมพันธ์กัน
โมเดลที่ใช้การต่อคุณลักษณะ เช่น VoVNet หรือ DenseNet จะเปลี่ยนความกว้างอินพุตของบางเลเยอร์เมื่อปรับความลึก YOLOv7 ใช้สถาปัตยกรรมแบบต่อคุณลักษณะ จึงต้องปรับขนาดแบบผสม

รูปด้านบนเปรียบเทียบ เครือข่ายรวมเลเยอร์ประสิทธิภาพสูงแบบขยาย (E-ELAN) ของโมเดลต่างๆ วิธีที่เสนอรักษาเส้นทางเกรเดียนต์เดิม แต่เพิ่มจำนวนคุณลักษณะที่เพิ่มเข้ามาด้วยคอนโวลูชันแบบกลุ่ม ช่วยให้แผนที่ต่างๆ เรียนรู้คุณลักษณะดีขึ้น และใช้การคำนวณกับพารามิเตอร์มีประสิทธิภาพขึ้น
สถาปัตยกรรม YOLOv7
YOLOv7 ใช้ YOLOv4, YOLO-R และ Scaled YOLOv4 เป็นฐาน เกิดจากการทดลองกับโมเดลเหล่านี้เพื่อปรับผลลัพธ์และเพิ่มความแม่นยำ
เครือข่ายรวมเลเยอร์ประสิทธิภาพสูงแบบขยาย หรือ E-ELAN
E-ELAN เป็นองค์ประกอบพื้นฐานของ YOLOv7 พัฒนาจากงานประสิทธิภาพเครือข่ายที่มีอยู่ โดยเฉพาะ ELAN
ข้อพิจารณาหลักในการออกแบบคือจำนวนพารามิเตอร์ ความหนาแน่นและปริมาณการคำนวณ โมเดลอื่นยังพิจารณาอัตราส่วนช่องอินพุต/เอาต์พุต แขนงเครือข่าย ความเร็วอนุมาน จำนวนองค์ประกอบในเทนเซอร์ของเครือข่ายคอนโวลูชัน และอื่นๆ
โมเดล CSPVoNet ไม่เพียงพิจารณาปัจจัยข้างต้น แต่ยังวิเคราะห์เส้นทางเกรเดียนต์เพื่อเรียนรู้คุณลักษณะหลากหลายผ่านน้ำหนักของเลเยอร์ต่างๆ ทำให้อนุมานเร็วและแม่นยำขึ้น ส่วน ELAN มุ่งออกแบบเครือข่ายควบคุมเส้นทางเกรเดียนต์ที่สั้นที่สุดและยาวที่สุด เพื่อให้เรียนรู้และลู่เข้าได้มีประสิทธิภาพ
ELAN ถึงระดับเสถียรแล้วโดยไม่ขึ้นกับจำนวนบล็อกที่ซ้อนหรือความยาวเส้นทางเกรเดียนต์ แต่การซ้อนบล็อกไม่จำกัดอาจทำลายเสถียรภาพและลดอัตราใช้พารามิเตอร์ E-ELAN ที่เสนอแก้ปัญหาด้วยการขยาย สับเปลี่ยน และรวมจำนวนคุณลักษณะ เพื่อเพิ่มความสามารถเรียนรู้ต่อเนื่องโดยรักษาเส้นทางเกรเดียนต์เดิม
เมื่อเทียบ E-ELAN กับ ELAN ต่างกันเฉพาะบล็อกคำนวณ ส่วนสถาปัตยกรรมเลเยอร์เปลี่ยนผ่านคงเดิม
E-ELAN เพิ่มจำนวนคุณลักษณะของบล็อกคำนวณและขยายช่องด้วย คอนโวลูชันแบบกลุ่มจากนั้นคำนวณแผนที่คุณลักษณะ สับเปลี่ยนเป็นกลุ่มตามพารามิเตอร์ แล้วต่อเข้าด้วยกัน จำนวนช่องในแต่ละกลุ่มเท่าโครงสร้างเดิม สุดท้ายบวกกลุ่มแผนที่คุณลักษณะเข้าด้วยกัน
การปรับขนาดโมเดลแบบต่อคุณลักษณะ
การปรับขนาดช่วย ปรับคุณสมบัติของโมเดล ให้สร้างโมเดลตามความต้องการและหลายขนาดเพื่อรองรับความเร็วอนุมานต่างกัน

รูปแสดงการปรับขนาดโมเดลแบบต่อคุณลักษณะ ใน (a) และ (b) ความกว้างเอาต์พุตบล็อกเพิ่มเมื่อขยายความลึก ทำให้อินพุตเลเยอร์เปลี่ยนผ่านกว้างขึ้น การใช้วิธีเหล่านี้กับสถาปัตยกรรมแบบต่อคุณลักษณะทำให้การปรับความลึกมีผลดังรูป (c)
จึงวิเคราะห์ปัจจัยการปรับขนาดแยกกันไม่ได้ ต้องพิจารณาร่วมกัน สำหรับโมเดลประเภทนี้ ควรใช้วิธีปรับขนาดโมเดลแบบผสมที่สอดคล้องกันและเมื่อปรับปัจจัยความลึก ต้องปรับช่องเอาต์พุตของบล็อกด้วย
Trainable Bag of Freebies
Bag of freebies เป็นคำที่นักพัฒนาใช้เรียก ชุดวิธีหรือเทคนิคที่เปลี่ยนกลยุทธ์หรือต้นทุนการฝึก เพื่อเพิ่มความแม่นยำ แล้วใน YOLOv7 มีเทคนิคที่ฝึกได้อะไรบ้าง? มาดูกัน
คอนโวลูชันจัดรูปพารามิเตอร์ใหม่แบบวางแผน
YOLOv7 ใช้เส้นทางแพร่กระจายเกรเดียนต์กำหนด วิธีผสานเครือข่ายกับคอนโวลูชันที่จัดรูปพารามิเตอร์ใหม่อย่างเหมาะสมเพื่อแก้ข้อจำกัดของ อัลกอริทึม RepConv ที่แม้ทำงานดีกับ VGG แต่มีประสิทธิภาพต่ำเมื่อใช้กับ DenseNet และ ResNet โดยตรง
เพื่อระบุการเชื่อมต่อในเลเยอร์คอนโวลูชัน RepConv รวมคอนโวลูชัน 3×3 และ 1×1เมื่อวิเคราะห์การทำงานและสถาปัตยกรรม จะพบว่ามันทำลาย การต่อคุณลักษณะใน DenseNet และการเชื่อมต่อแบบส่วนตกค้างใน ResNetได้

รูปด้านบนแสดงโมเดลจัดรูปพารามิเตอร์ใหม่แบบวางแผน YOLOv7 พบว่าเลเยอร์ที่มีการต่อคุณลักษณะหรือการเชื่อมต่อส่วนตกค้างไม่ควรมีการเชื่อมต่อแบบเอกลักษณ์ใน RepConv จึงใช้ RepConvN ที่ไม่มีการเชื่อมต่อเอกลักษณ์แทนได้
แบบหยาบสำหรับความสูญเสียหัวเสริม และละเอียดสำหรับหัวหลัก
Deep Supervision หรือการกำกับเชิงลึก เป็นแนวทางในวิทยาการคอมพิวเตอร์ที่ใช้ฝึกเครือข่ายลึก หลักการคือ เพิ่มหัวเสริมในเลเยอร์กลางของเครือข่าย และใช้ความสูญเสียเสริมชี้นำการเรียนรู้ของน้ำหนักในส่วนตื้น YOLOv7 เรียกหัวที่ให้ผลลัพธ์สุดท้ายว่าหัวหลัก ส่วนหัวเสริมช่วยในการฝึก
YOLOv7 ใช้วิธีกำหนดป้ายกำกับต่างออกไป เดิมสร้างป้ายจากข้อมูลอ้างอิงจริงโดยตรงตามกฎ แต่ระยะหลังการกระจายและคุณภาพของข้อมูลทำนายมีบทบาทสำคัญต่อป้ายที่เชื่อถือได้ YOLOv7 สร้างป้ายกำกับแบบอ่อนของวัตถุ จากกรอบล้อมวัตถุที่ทำนายและข้อมูลอ้างอิงจริง
วิธีใหม่ใช้การทำนายของหัวหลักชี้นำทั้งหัวหลักและหัวเสริม โดยมีกลยุทธ์ที่เสนอสองแบบ
ตัวกำหนดป้ายกำกับที่หัวหลักชี้นำ
คำนวณจากผลทำนายของหัวหลักและข้อมูลอ้างอิงจริง แล้วใช้การหาค่าเหมาะสมสร้างป้ายแบบอ่อนสำหรับฝึกทั้งหัวหลักและหัวเสริม
ตั้งอยู่บนสมมติฐานว่าหัวหลักเรียนรู้ได้มากกว่า ป้ายที่สร้างจึงควรเป็นตัวแทนข้อมูลได้ดีกว่าและเชื่อมโยงต้นทางกับเป้าหมาย
ตัวกำหนดป้ายแบบหยาบสู่ละเอียดที่หัวหลักชี้นำ
วิธีนี้คำนวณจากหัวหลักและข้อมูลอ้างอิงจริง แล้วหาค่าเหมาะสมเพื่อสร้างป้ายแบบอ่อนเช่นกัน แต่ต่างตรงที่มีสองชุดคือ ป้ายระดับหยาบ และ ป้ายระดับละเอียด
ป้ายระดับหยาบสร้างโดยผ่อนคลายข้อจำกัดของการกำหนดตัวอย่างบวก
เพื่อให้ถือว่าช่องกริดจำนวนมากขึ้นเป็นเป้าหมายบวก ช่วยลดความเสี่ยงสูญเสียข้อมูลเพราะหัวเสริมเรียนรู้ได้อ่อนกว่า

รูปอธิบาย trainable bag of freebies ใน YOLOv7 โดยให้ป้ายหยาบแก่หัวเสริมและละเอียดแก่หัวหลัก เมื่อเทียบโมเดลหัวเสริม (b) กับโมเดลปกติ (a) จะเห็นว่า (b) มีหัวเสริมแต่ (a) ไม่มี
รูป (c) แสดงตัวกำหนดป้ายอิสระทั่วไป ส่วน (d) และ (e) คือตัวกำหนดที่หัวหลักชี้นำ และแบบหยาบสู่ละเอียดที่ YOLOv7 ใช้ ตามลำดับ
Trainable Bag of Freebies อื่นๆ
นอกจากข้างต้น YOLOv7 ใช้เทคนิคเพิ่มเติมที่ไม่ได้เป็นผู้เสนอเดิม ได้แก่
- Batch Normalization ใน Conv-Bn-Activation: เชื่อมเลเยอร์คอนโวลูชันกับเลเยอร์ปรับค่ามาตรฐานแบบแบตช์โดยตรง
- ความรู้โดยนัยใน YOLOR: YOLOv7 ผสานกลยุทธ์นี้กับแผนที่คุณลักษณะคอนโวลูชัน
- โมเดล EMA: ใช้เป็นโมเดลอ้างอิงสุดท้ายใน YOLOv7 แม้การใช้งานหลักเดิมอยู่ในวิธี mean teacher
YOLOv7: การทดลอง
การตั้งค่าการทดลอง
YOLOv7 ใช้ ชุดข้อมูล Microsoft COCO ฝึกและตรวจสอบ โมเดลตรวจจับวัตถุ โดยไม่ใช่ทุกการทดลองจะใช้โมเดลที่ฝึกไว้ก่อน นักพัฒนาใช้ชุดฝึกปี 2017 ฝึกโมเดล และชุดตรวจสอบปี 2017 เลือกไฮเปอร์พารามิเตอร์ จากนั้นเปรียบเทียบผลกับอัลกอริทึมตรวจจับวัตถุชั้นนำ
นักพัฒนาออกแบบโมเดลพื้นฐานสำหรับ GPU เอดจ์ (YOLOv7-tiny), GPU ทั่วไป (YOLOv7) และ GPU คลาวด์ (YOLOv7-W6)และปรับขนาดโมเดลพื้นฐานตามความต้องการบริการเพื่อสร้างหลายรุ่น YOLOv7 ปรับการซ้อนที่ส่วน neck และใช้วิธีผสมที่เสนอเพิ่มความลึกและความกว้าง
โมเดลฐานสำหรับเปรียบเทียบ
YOLOv7 ใช้ YOLO รุ่นก่อนและ YOLOR เป็นโมเดลฐาน

รูปด้านบนเปรียบเทียบโมเดลฐาน YOLOv7 กับตัวตรวจจับอื่น ผลแสดงชัดว่าเมื่อเทียบกับ YOLOv4, YOLOv7 ใช้พารามิเตอร์น้อยลง 75% การคำนวณน้อยลง 15% และแม่นยำขึ้น 0.4%
เปรียบเทียบกับโมเดลตรวจจับวัตถุชั้นนำ

รูปแสดงการเปรียบเทียบกับโมเดลชั้นนำสำหรับ GPU มือถือและทั่วไป วิธีของ YOLOv7 ให้สมดุลความเร็วกับความแม่นยำดีที่สุด
การศึกษาแยกองค์ประกอบ: วิธีปรับขนาดแบบผสมที่เสนอ

รูปเปรียบเทียบกลยุทธ์ขยายโมเดล วิธีของ YOLOv7 เพิ่มความลึกบล็อกคำนวณเป็น 1.5 เท่า และความกว้างเป็น 1.25 เท่า
เทียบกับโมเดลที่เพิ่มความลึกอย่างเดียว YOLOv7 ดีขึ้น 0.5% โดยใช้พารามิเตอร์และการคำนวณน้อยกว่า อีกการเปรียบเทียบกับโมเดลที่เพิ่มความลึกอย่างเดียว พบความแม่นยำดีขึ้น 0.2% แต่พารามิเตอร์เพิ่ม 2.9% และการคำนวณเพิ่ม 1.2%
โมเดลจัดรูปพารามิเตอร์ใหม่แบบวางแผนที่เสนอ
เพื่อตรวจว่าการจัดรูปพารามิเตอร์ใหม่ใช้ได้ทั่วไป YOLOv7 ทดสอบกับโมเดลแบบส่วนตกค้างและแบบต่อคุณลักษณะโดยใช้ ELAN ที่ซ้อนสามบล็อก สำหรับแบบต่อคุณลักษณะ และ CSPDarknet สำหรับแบบส่วนตกค้าง
ในโมเดลแบบต่อคุณลักษณะ แทนที่คอนโวลูชัน 3×3 ใน ELAN สามบล็อกด้วย RepConv รูปด้านล่างแสดงรายละเอียด Planned RepConv และ ELAN สามบล็อก

สำหรับแบบส่วนตกค้าง ใช้ dark block กลับด้าน เพราะบล็อกเดิมไม่มีคอนโวลูชัน 3×3 รูปแสดง Reversed CSPDarknet ซึ่งสลับตำแหน่งเลเยอร์ 3×3 กับ 1×1 
ความสูญเสียเสริมสำหรับหัวเสริมที่เสนอ
YOLOv7 เปรียบเทียบการกำหนดป้ายแบบอิสระกับวิธีหัวหลักชี้นำในการใช้ความสูญเสียเสริมของหัวเสริม

รูปแสดงผลศึกษาหัวเสริม เมื่อเพิ่มความสูญเสียเสริม ประสิทธิภาพโดยรวมเพิ่มขึ้น และวิธีกำหนดป้ายที่หัวหลักชี้นำให้ผลดีกว่าวิธีอิสระ
ผลลัพธ์ YOLOv7
จากการทดลองข้างต้น นี่คือผลเทียบ YOLOv7 กับอัลกอริทึมอื่น

รูปเปรียบเทียบ YOLOv7 กับตัวตรวจจับอื่น แสดงว่า YOLOv7 เหนือกว่าในแง่ ค่าความเที่ยงตรงเฉลี่ย (AP) เทียบกับการอนุมานแบบแบตช์ดังกล่าว
รูปด้านล่างเปรียบเทียบกับตัวตรวจจับเรียลไทม์อื่น อีกครั้งที่ YOLOv7 เหนือกว่าในประสิทธิภาพโดยรวม ความแม่นยำ และความคุ้มค่าการคำนวณ

ข้อสังเกตเพิ่มเติมจากผล YOLOv7 มีดังนี้
- YOLOv7-Tiny เล็กที่สุดในตระกูล YOLO มีพารามิเตอร์กว่า 6 ล้าน ค่า AP 35.2% และเหนือกว่า YOLOv4-Tiny ที่มีจำนวนพารามิเตอร์ใกล้เคียงกัน
- YOLOv7 มีพารามิเตอร์กว่า 37 ล้าน และเหนือกว่าโมเดลที่มีมากกว่า เช่น YOLOv4
- YOLOv7 มีค่า mAP และอัตรา FPS สูงที่สุดในช่วง 5–160 FPS
สรุป
YOLO หรือ You Only Look Once เป็นโมเดลตรวจจับวัตถุชั้นนำในคอมพิวเตอร์วิทัศน์สมัยใหม่ มีชื่อด้านความแม่นยำและประสิทธิภาพ จึงใช้แพร่หลายในงานเรียลไทม์ นับจากเสนอครั้งแรกปี 2016 การทดลองช่วยให้นักพัฒนาปรับปรุงโมเดลต่อเนื่อง
YOLOv7 เป็นสมาชิกใหม่ล่าสุดและทรงพลังที่สุดในตระกูล ณ ช่วงเวลาของบทความนี้ เราได้อธิบายพื้นฐานและเหตุผลที่ทำให้มีประสิทธิภาพสูง












