YOLOv7: Nesnelerin Tespit Edilmesi İçin En Gelişmiş Algoritma mı?

7 Temmuz 2022, YOLOv7’nin yayınlandığı gün, AI tarihindeki bir kilometre taşı olarak kaydedilecek. YOLOv7’nin piyasaya sürülmesinden bu yana, bilgisayar görüşü geliştirici topluluğu içinde en çok konuşulan konu oldu ve bunun nedenleri doğru. YOLOv7, nesnelerin tespiti endüstrisinde already bir kilometre taşı olarak kabul ediliyor.

YOLOv7 makalesi yayınlandıktan kısa bir süre sonra, en hızlı ve en doğru gerçek zamanlı nesne tespiti modeli olarak ortaya çıktı. Ancak YOLOv7, önceki nesillerine göre nasıl daha iyi performans gösteriyor? YOLOv7, bilgisayar görüşü görevlerini gerçekleştirmede neden bu kadar verimli?

Bu makalede, YOLOv7 modelini analiz etmeye çalışacağız ve neden endüstri standardı haline geldiğini anlamaya çalışacağız. Ancak bunu yapmadan önce, nesnelerin tespiti tarihine kısa bir bakış atalım.

Nesnelerin Tespit Edilmesi Nedir?

Nesnelerin tespiti, bilgisayar görüşünün bir dalıdır ve bir görüntüde veya video dosyasında nesneleri tanımlar ve konumlandırır. Nesnelerin tespiti, otonom araçlar, gözetim ve robotik gibi birçok uygulamanın temel taşıdır.

Bir nesne tespiti modeli, iki farklı kategoriye ayrılabiliyor: tek atışlı dedektörler ve çok atışlı dedektörler.

Gerçek Zamanlı Nesne Tespiti

YOLOv7’nin nasıl çalıştığını gerçekten anlamak için, YOLOv7’nin ana hedefini anlamak önemlidir, yani “Gerçek Zamanlı Nesne Tespiti”。 Gerçek zamanlı nesne tespiti, modern bilgisayar görüşünün temel bir bileşenidir. Gerçek zamanlı nesne tespiti modelleri, gerçek zamanlı olarak ilgi nesnelerini tanımlamaya ve konumlandırmaya çalışırlar.

Gerçek zamanlı nesne tespiti modelleri, geleneksel görüntü tespiti modellerinden daha gelişmiştir. İlk onesi, video dosyalarında nesneleri izlemek için kullanılırken, ikincisi bir görüntüdeki nesneleri tanımlamak ve konumlandırmak için kullanılır.

Sonuç olarak, gerçek zamanlı nesne tespiti modelleri, video analizi, otonom araçlar, nesne sayımı, çoklu nesne izleme ve daha fazlası için çok verimlidir.

YOLO Nedir?

YOLO veya “You Only Look Once” (Sadece Bir Kere Bak), gerçek zamanlı nesne tespiti modelleri ailesidir. YOLO kavramı ilk olarak 2016 yılında Joseph Redmon tarafından tanıtıldı ve çok kısa sürede bilgisayar görüşü endüstrisinde standardı haline geldi.

YOLO algoritmasının temel kavramı, bir sondan sona neural ağ kullanarak, sınırlayıcı kutular ve sınıf olasılıkları ile gerçek zamanlı tahminler yapmaktır. YOLO, önceki nesne tespiti modellerinden farklıydı, çünkü nesne tespitini gerçekleştirmek için sınıflandırıcıları yeniden amaçlamak için farklı bir yaklaşım önerdi.

Bu yaklaşım işe yaradı, çünkü YOLO, diğer gerçek zamanlı nesne tespiti algoritmalarına kıyasla önemli bir performans açığına sahipti. Ancak YOLO neden bu kadar verimliydi?

YOLO’ya kıyasla, o zamanlar kullanılan nesne tespiti algoritmaları, ilgi alanlarını tespit etmek için Bölge Öneri Ağlarını (Region Proposal Networks) kullanırdı. Tanıma işlemi, her bir bölge için ayrı ayrı gerçekleştirilirdi. Bu nedenle, bu modeller genellikle aynı görüntüde birden fazla iterasyon gerçekleştirdi ve因此, doğruluk ve yürütme zamanı açısından eksiklikler vardı. Öte yandan, YOLO algoritması, tek bir tam bağlantılı katman kullanarak tahminleri bir defada gerçekleştirir.

YOLO Nasıl Çalışır?

YOLO algoritmasının nasıl çalıştığını açıklamak için üç adım vardır.

Nesne Tespitini Tek Bir Regresyon Problemi Olarak Yeniden Tanımlama

YOLO algoritması, nesne tespitini, görüntü pikselleri, sınıf olasılıkları ve sınırlayıcı kutu koordinatları dahil olmak üzere tek bir regresyon problemi olarak yeniden tanımlamaya çalışır. Böylece, algoritmanın görüntüyü sadece bir kez incelemesi yeterli olur ve hedef nesneleri görüntüde tanımlayabilir ve konumlandırabilir.

Görüntüyü Küresel Olarak İnceleme

Ayrıca, YOLO algoritması, tahminler yapılırken görüntüyü küresel olarak inceler. Bu, bölge öneri tabanlı ve kaydırma tekniklerinden farklıdır, çünkü YOLO algoritması, eğitim ve test sırasında tüm görüntüyü görür ve sınıflar ve nasıl göründükleri hakkında bağlamsal bilgileri kodlayabilir.

YOLO’dan önce, Fast R-CNN, en popüler nesne tespiti algoritmalarından biriydi, ancak görüntüdeki daha büyük bağlamı göremedi, çünkü bir görüntüdeki arka plan parçalarını bir nesne olarak yanlışlıkla tanımlardı. Fast R-CNN algoritması ile karşılaştırıldığında, YOLO, arka plan hataları açısından %50 daha doğrudur.

Nesnelerin Temsillerini Genellemek

Son olarak, YOLO algoritması, bir görüntüdeki nesnelerin temsillerini genellemeyi amaçlar. Sonuç olarak, YOLO algoritması, doğal görüntülerle bir veri setinde çalıştırıldığında ve sonuçlar test edildiğinde, mevcut R-CNN modellerini geniş bir marjla aşarak, YOLO, yüksek oranda genelleyicidir, bu nedenle beklenmedik girdiler veya yeni alanlarda uygulanırken bozulma olasılığı düşüktür.

YOLOv7: Yeni Özellikler

Şimdi, gerçek zamanlı nesne tespiti modelleri ve YOLO algoritması hakkında temel bir anlayışa sahip olduğumuza göre, YOLOv7 algoritmasını tartışma zamanı geldi.

Eğitim Sürecini Optimizasyon

YOLOv7 algoritması, yalnızca model mimarisini optimize etmeye çalışmakla kalmaz, aynı zamanda eğitim sürecini optimize etmeye çalışır. Eğitim maliyetini güçlendirirken, müdahale maliyetini korur ve bu amaçla optimizasyon modüllerini kullanır. Bu optimizasyon modülleri, eğitim için ücretsiz bir araç seti olarak adlandırılabilir.

Kaba İnce İnceleme Rehberli Etiket Atama

YOLOv7 algoritması, geleneksel Dinamik Etiket Atama yerine, Kaba İnce İnceleme Rehberli Etiket Atama kullanmayı planlar. Bu, çoklu çıkış katmanlarına sahip bir modeli eğittiğinizde, bazı sorunlara neden olur, en yaygın olanı, farklı dallar ve çıkışlar için dinamik hedefleri nasıl atayacağınızı bilmektir.

Model Parametrelerini Yeniden Tanımlama

Model parametrelerini yeniden tanımlama, nesne tespitinde önemli bir kavramdır ve genellikle bazı sorunlarla karşılaşılır. YOLOv7 algoritması, gradyan iletim yolunu analiz etmek için model parametrelerini yeniden tanımlama politikalarını kullanmayı planlar.

Genişletilmiş ve Bileşik Ölçeklendirme

YOLOv7 algoritması, genişletilmiş ve bileşik ölçeklendirme yöntemlerini de tanıttı. Bu yöntemler, gerçek zamanlı nesne tespiti için parametreleri ve hesaplamaları etkili bir şekilde kullanmak üzere tasarlandı.

YOLOv7: İlgili Çalışmalar

Gerçek Zamanlı Nesne Tespiti

YOLO, şu anda endüstri standardıdır ve çoğu gerçek zamanlı nesne dedektörü, YOLO algoritmalarını ve FCOS (Tamamlayıcı Bir Aşama Nesne Tespiti) kullanır. Bir devlet-sanat gerçek zamanlı nesne dedektörü genellikle aşağıdaki özelliklere sahiptir

• Daha güçlü ve hızlı ağ mimarisi.
• Etkili bir özellik entegrasyonu yöntemi.
• Doğru bir nesne tespiti yöntemi.
• Güçlü bir kayıp fonksiyonu.
• Etkili bir etiket atama yöntemi.
• Etkili bir eğitim yöntemi.

YOLOv7 algoritması, self-supervised öğrenme ve distilasyon yöntemlerini kullanmaz, bunlar genellikle büyük miktarda veri gerektirir. Bunun yerine, YOLOv7 algoritması, eğitim için ücretsiz bir araç seti yöntemini kullanır.

Model Parametrelerini Yeniden Tanımlama

Model parametrelerini yeniden tanımlama teknikleri, bir tür toplu teknik olarak kabul edilir ve birden fazla hesaplama modülünü bir müdahale aşamasında birleştirebilir. Bu teknik, model düzeyinde toplu ve modül düzeyinde toplu olarak ikiye ayrılabilir.

Şimdi, model düzeyinde parametre yeniden tanımlama tekniği, nihai müdahale modelini elde etmek için iki uygulama kullanır. İlk uygulama, birden fazla aynı modeli farklı eğitim verilerine göre eğitir ve sonra eğitilen modellerin ağırlıklarını ortalamasını alır. Alternatif olarak, diğer uygulama, modellerin ağırlıklarını farklı iterasyonlarda ortalamasını alır.

Modül düzeyinde parametre yeniden tanımlama, son zamanlarda popülerlik kazanıyor, çünkü bir modülü, eğitim aşamasında farklı modül dallarına veya aynı dallara ayırır, sonra da bu farklı dalları, müdahale sırasında eşdeğer bir modüle entegre eder.

Ancak, parametre yeniden tanımlama teknikleri, tüm mimari türlerine uygulanamaz. Bu nedenle, YOLOv7 algoritması, farklı mimariler için uygun stratejiler tasarlamak üzere yeni model parametrelerini yeniden tanımlama tekniklerini kullanır.

Model Ölçeklendirme

Model ölçeklendirme, mevcut bir modeli, farklı hesaplama cihazlarına uyacak şekilde ölçeklendirme işlemidir. Model ölçeklendirme genellikle, derinlik, çözünürlük, evre ve genişlik gibi faktörleri kullanır. Bu faktörler, ağ parametreleri, müdahale hızı, hesaplama ve modelin doğruluğu arasında dengeli bir ticaret için kritik bir rol oynar.

En yaygın kullanılan ölçeklendirme yöntemlerinden biri, Ağ Mimarisi Arama (NAS)‘dir, bu, arama motorlarından uygun ölçeklendirme faktörlerini otomatik olarak arar, karmaşık kurallar olmadan. NAS’ın önemli bir dezavantajı, ölçeklendirme faktörlerini aramanın pahalı bir yaklaşım olmasıdır.

Her model parametre yeniden tanımlama modeli, bireysel ve benzersiz ölçeklendirme faktörlerini bağımsız olarak analiz eder ve ayrıca bu faktörleri bağımsız olarak optimize eder. Bu, NAS mimarisinin, ilişkisiz ölçeklendirme faktörleriyle çalıştığından kaynaklanmaktadır.

YoVNet veya DenseNet gibi birleştirme tabanlı modeller, modelin derinliğini ölçeklendirirken, bazı katmanların giriş genişliğini değiştirir. YOLOv7, önerilen bir birleştirme tabanlı mimari üzerinde çalışır ve bu nedenle, bir bileşik ölçeklendirme yöntemi kullanır.

Yukarıdaki şekil, farklı modellerin genişletilmiş verimli katman birleştirme ağlarını (E-ELAN) karşılaştırır. Önerilen E-ELAN yöntemi, orijinal mimarinin gradyan iletim yolunu korur, ancak grup konvolüsyon kullanarak eklenen özelliklerin kardinalitesini artırmayı amaçlar. Bu işlem, farklı haritalar tarafından öğrenilen özellikleri geliştirebilir ve hesaplamaların ve parametrelerin daha verimli kullanılmasını sağlayabilir.

YOLOv7 Mimarisi

YOLOv7 modeli, YOLOv4, YOLO-R ve Ölçeklendirilmiş YOLOv4 modellerini temel alır. YOLOv7, bu modeller üzerinde gerçekleştirilen deneylerin sonucu olarak, sonuçları iyileştirmek ve modeli daha doğru hale getirmek için tasarlandı.

Genişletilmiş Verimli Katman Birleştirme Ağı veya E-ELAN

E-ELAN, YOLOv7 modelinin temel yapı taşıdır ve mevcut ağ verimliliği modellerinden, özellikle de ELAN’dan türetilmiştir.

Etkin bir mimari tasarlanırken, dikkate alınan主要 faktörler, parametre sayısı, hesaplama yoğunluğu ve hesaplamaların miktarıdır. Diğer modeller, girdi/çıktı kanal oranı, ağ mimarisindeki dallar, ağ müdahale hızı, konvolüsyonel ağın tensörlerindeki eleman sayısı ve daha fazlası gibi faktörleri de dikkate alır.

CSPVoNet modeli, yukarıda belirtilen parametreleri dikkate alır ve ayrıca, farklı katmanların ağırlıklarını etkinleştirmek için gradyan yolunu analiz eder, böylece daha çeşitli özellikler öğrenilir ve müdahaleler daha hızlı ve doğru hale gelir. ELAN mimarisi, ağın daha etkili öğrenmesi ve yakınsaması için en kısa gradyan yolunu tasarlamak amacıyla tasarlanmıştır.

ELAN, hesaplamalı blokların yığılma sayısına bakılmaksızın, already bir dengeli duruma ulaşmıştır ve parametre kullanım oranı azalacaktır. Önerilen E-ELAN mimarisi, genişletme, karıştırma ve birleştirme kardinalitesini kullanarak, orijinal gradyan yolunu korurken, ağın öğrenme yeteneğini sürekli olarak geliştirebilir.

Dahası, E-ELAN ve ELAN mimarileri karşılaştırıldığında, tek fark, hesaplamalı bloktadır, geçiş katmanının mimarisi değişmez.

E-ELAN, hesaplamalı blokların kardinalitesini genişletmeyi ve grup konvolüsyon kullanarak kanalı genişletmeyi önerir. Özellik haritası, grup parametresine göre hesaplanır ve gruplandırılır, sonra da birleştirilir. Her bir grubun kanal sayısı, orijinal mimaridekiyle aynı kalır. Son olarak, özellik haritalarının grupları, kardinalite için eklenir.

Birleştirme Tabanlı Modeller için Model Ölçeklendirme

Model ölçeklendirme, farklı hizmet gereksinimlerine göre modelleri oluşturmak için modelin özniteliklerini ayarlamaya yardımcı olur.

Şekil, birleştirme tabanlı modeller için model ölçeklendirilmesini gösterir. (a) ve (b) şekillerinde görüldüğü gibi, hesaplamalı bloğun derinliğini ölçeklendirirken, çıkış genişliği artar. Sonuç olarak, iletim katmanlarının giriş genişliği artırılır. Bu yöntemler, birleştirme tabanlı mimariye uygulanırsa, ölçeklendirme işlemi derinlikte gerçekleştirilir ve (c) şeklinde gösterilir.

Bu nedenle, birleştirme tabanlı modeller için, ölçeklendirme faktörlerini bağımsız olarak analiz etmek mümkün değildir ve birlikte analiz edilmelidir. Bu nedenle, bir birleştirme tabanlı model için, karşılık gelen bileşik model ölçekleme yöntemini kullanmak uygundur. Ayrıca, derinlik faktörünü ölçeklendirirken, bloğun çıkış kanalını da ölçeklemek gerekir.

Eğitim için Ücretsiz Araç Seti

Eğitim için ücretsiz araç seti, geliştiricilerin eğitim stratejisini veya maliyetini değiştirmek için kullandıkları bir dizi yöntem veya tekniği ifade eder. Peki, YOLOv7’de eğitim için ücretsiz araç seti nelerdir? Bir göz atalım.

Planlı Parametre Yeniden Tanımlama Konvolüsyonu

YOLOv7 algoritması, gradyan akış yolunu kullanarak, bir ağı, parametre yeniden tanımlama konvolüsyonu ile nasıl ideal bir şekilde birleştirebileceğini belirlemeye çalışır. YOLOv7’nin bu yaklaşımı, RepConv algoritmasına karşı bir girişimdir, bu algoritma VGG modelinde iyi performans gösterse de, doğrudan DenseNet ve ResNet modellerine uygulandığında kötü performans gösterir.

Bir konvolüsyonel katmanın bağlantılarını belirlemek için, RepConv algoritması, 3×3 konvolüsyon ve 1×1 konvolüsyon birleştirir. Algoritmanın performansını ve mimarisini analiz ettiğimizde, RepConv’in DenseNet’teki birleştirmeyi ve ResNet’teki artıkları bozduğunu görürüz.

Yukarıdaki resim, planlı parametre yeniden tanımlama modelini gösterir. YOLOv7 algoritmasının, bir ağın, birleştirmeye veya artığa sahip bir katmana sahip olmaması gerektiğini bulduğunu görüyoruz. Sonuç olarak, RepConv ile değiştirmek kabul edilebilir.

Kaba için Yardımcı ve İnce için Lider Kayıp

Derin denetim, bilgisayar biliminde, derin ağların eğitiminde kullanılan bir dal olarak sıkça kullanılır. Derin denetimin temel ilkesi, orta katmanlara yardımcı bir başlık eklemektir ve yardımcı kaybı rehber olarak kullanarak, sığ ağın ağırlıklarını ekler. YOLOv7 algoritması, sonuçları üreten başlığı lider başlık olarak adlandırır ve yardımcı başlık, eğitimde yardımcı olan başlıktır.

İlerlerken, YOLOv7, etiket atama için farklı bir yöntem kullanır. Geleneksel olarak, etiket atama, doğrudan zemine göre ve belirli kurallara göre etiketler oluşturmak için kullanılır. Ancak son yıllarda, tahmin girişinin dağılımı ve kalitesi, güvenilir bir etiket oluşturmak için önemli bir rol oynamaktadır. YOLOv7, sınırlayıcı kutu ve zemine göre bir nesnenin yumuşak etiketini oluşturur.

Dahası, YOLOv7’nin yeni etiket atama yöntemi, lider başlığın tahminlerine dayanarak, lider ve yardımcı başlıklar için etiket atama stratejilerini kullanır. Etiket atama yöntemi, iki önerilen stratejiyi içerir.

Lider Başlık Rehberli Etiket Atayıcı

Strateji, lider başlığın tahmin sonuçlarına ve zemine göre hesaplamalar yapar ve sonra optimizasyon kullanarak yumuşak etiketler oluşturur. Bu yumuşak etiketler, lider ve yardımcı başlıklar için eğitim modeli olarak kullanılır.

Strateji, lider başlığın daha büyük bir öğrenme yeteneğine sahip olduğu ve oluşturduğu etiketlerin, kaynak ve hedef arasında daha temsil edici ve ilişkili olacağı varsayımına dayanır.

Kaba-İnce Lider Başlık Rehberli Etiket Atayıcı

Bu strateji de, lider başlığın tahmin sonuçlarına ve zemine göre hesaplamalar yapar ve sonra optimizasyon kullanarak yumuşak etiketler oluşturur. Ancak, bir fark vardır. Bu strateji, kaba seviye ve ince etiket olmak üzere iki set yumuşak etiket oluşturur.

Kaba etiket, pozitif örnek atama işleminin kısıtlamalarını gevşeterek, daha fazla ızgarayı pozitif hedef olarak ele alır. Bu, yardımcı başlığın daha zayıf öğrenme gücünden dolayı bilgi kaybını önlemek için yapılır.

Yukarıdaki resim, YOLOv7 algoritmasının, eğitim için ücretsiz araç setini kullanmasını gösterir. Kaba için yardımcı ve ince için lider başlığı gösterir. (a) ve (b) şemaları karşılaştırıldığında, (b) şemasının yardımcı başlık olduğunu, (a) şemasının olmadığını görürüz.

(c) şeması, ortak bağımsız etiket atayıcıyı gösterirken, (d) ve (e) şemaları sırasıyla, YOLOv7’nin kullandığı Lider Rehberli Atayıcı ve Kaba-İnce Lider Rehberli Atayıcıyı temsil eder.

Diğer Eğitim için Ücretsiz Araç Seti

Yukarıdakilere ek olarak, YOLOv7 algoritması, aslen kendisi tarafından önerilmeyen, ancak ek eğitim için ücretsiz araç seti olarak kullanılan aşağıdaki yöntemleri kullanır:

• Conv-Bn-Activation Teknolojisi için Batch Normalization: Bu yöntem, bir konvolüsyonel katmanı doğrudan bir batch normalization katmanına bağlar.
• YOLOR’da İmplicit Bilgi: YOLOv7, bu yöntemi, konvolüsyonel özellik haritasıyla birleştirir.
• EMA Modeli: EMA modeli, YOLOv7’de nihai referans modeli olarak kullanılır, ancak esas olarak ortalama öğretmen yönteminde kullanılır.

YOLOv7: Deneyler

Deneysel Kurulum

YOLOv7 algoritması, Microsoft (MSFT ) COCO veri setini nesne tespiti modelini eğitmek ve doğrulamak için kullanır ve bu deneylerin tümü, önceden eğitilmiş bir model kullanmaz. Geliştiriciler, 2017 eğitim veri setini eğitmek için kullandı ve 2017 doğrulama veri setini hiperparametreleri seçmek için kullandı. Son olarak, YOLOv7 nesne tespiti sonuçları, nesne tespiti için devlet-sanat algoritmalarıyla karşılaştırıldı.

Geliştiriciler, kenar GPU (YOLOv7-tiny), normal GPU (YOLOv7) ve bulut GPU (YOLOv7-W6) için temel bir model tasarladı. Ayrıca, YOLOv7 algoritması, farklı hizmet gereksinimlerine göre model ölçekleme için temel bir model kullanır ve farklı modeller oluşturur. YOLOv7 algoritması için yığın ölçekleme, boyun üzerinde yapılır ve önerilen bileşikler, modelin derinliğini ve genişliğini ölçeklemek için kullanılır.

Referans Noktaları

YOLOv7 algoritması, önceki YOLO modellerini ve YOLOR nesne tespiti algoritmasını referans noktaları olarak kullanır.

Yukarıdaki resim, YOLOv7 modelinin referans noktalarıyla karşılaştırmalı sonuçlarını gösterir. Sonuçlar, YOLOv7’nin, YOLOv4 algoritmasına kıyasla %75 daha az parametre ve %15 daha az hesaplama kullanarak, %0.4 daha yüksek doğruluk elde ettiğini gösterir.

Devlet-Sanat Nesne Tespiti Modelleriyle Karşılaştırma

Yukarıdaki resim, YOLOv7’nin, mobil ve genel GPU’lar için devlet-sanat nesne tespiti modelleriyle karşılaştırmalı sonuçlarını gösterir. Sonuçlar, YOLOv7’nin, en iyi hız-doğruluk ticaretini elde ettiğini gösterir.

Önerilen Bileşik Ölçeklendirme Yöntemi için Ablasyon Çalışması

Yukarıdaki resim, farklı stratejilerin, modeli ölçeklendirme sonuçlarını gösterir. YOLOv7 modelinin ölçeklendirme stratejisi, hesaplamalı bloğun derinliğini 1.5 katına ve genişliğini 1.25 katına çıkarır.

YOLOv7 modeli, sadece derinliği ölçekleyen bir modele kıyasla, daha iyi performans gösterir ve daha az parametre ve hesaplama kullanır. Öte yandan, sadece genişliği ölçekleyen modellere kıyasla, YOLOv7’nin doğruluğu %0.2 artırılır, ancak parametreler %2.9 ve hesaplama %1.2 oranında artırılır.

Önerilen Planlı Parametre Yeniden Tanımlama Modeli

YOLOv7 algoritması, önerilen parametre yeniden tanımlama modelinin genelliğini doğrulamak için, bu modeli, artıklara dayalı ve birleştirme tabanlı modeller için doğrulama olarak kullanır. Doğrulama için, YOLOv7 algoritması, 3-yığınlanmış ELAN ve CSPDarknet kullanır.

Birleştirme tabanlı model için, YOLOv7 algoritması, 3-yığınlanmış ELAN’daki 3×3 konvolüsyon katmanlarını RepConv ile değiştirir. Aşağıdaki resim, Planlı RepConv ve 3-yığınlanmış ELAN’ın ayrıntılı yapılandırmasını gösterir.

Dahası, artıklara dayalı model için, YOLOv7 algoritması, orijinal dark bloğun 3×3 konvolüsyon bloğu olmadığını dikkate alır. Aşağıdaki resim, ters CSPDarknet’in mimarisini gösterir, bu, 3×3 ve 1×1 konvolüsyon katmanlarının pozisyonlarını tersine çevirir.

Yardımcı Başlık için Önerilen Yardımcı Kayıp

Yardımcı başlık için yardımcı kayıp, YOLOv7 modeli, yardımcı başlık ve lider başlık için bağımsız etiket atama yöntemlerini karşılaştırır.

Yukarıdaki resim, önerilen yardımcı başlığın sonuçlarını gösterir. Yardımcı kaybın genel performansın artmasıyla birlikte arttığını ve YOLOv7’nin önerdiği lider rehberli etiket atama yönteminin, bağımsız lider atama stratejilerine göre daha iyi performans gösterdiğini görürüz.

YOLOv7 Sonuçları

Yukarıdaki deneylere dayanarak, YOLOv7’nin diğer nesne tespiti algoritmalarına kıyasla performansı şöyledir:

Yukarıdaki resim, YOLOv7 modelini, diğer nesne tespiti algoritmalarıyla karşılaştırmalı olarak gösterir ve YOLOv7’nin, Ortalama Doğruluk (AP) / Batch Müdahale açısından diğer nesne tespiti modellerini aştığını gösterir.

Dahası, aşağıdaki resim, YOLOv7’nin, diğer gerçek zamanlı nesne tespiti algoritmalarıyla karşılaştırmalı performansını gösterir. Yine, YOLOv7, genel performans, doğruluk ve verimlilik açısından diğer modelleri aşar.

Aşağıdaki gözlemler, YOLOv7 sonuçlarından elde edilmiştir:

1. YOLOv7-Tiny, YOLO ailesinin en küçük modelidir ve 6 milyondan fazla parametre sahiptir. YOLOv7-Tiny, %35.2’lik bir ortalama doğruluğa sahiptir ve benzer parametrelerle YOLOv4-Tiny modellerini aşar.
2. YOLOv7 modeli, 37 milyondan fazla parametre sahiptir ve daha yüksek parametreli modelleri, YOLOv4’ü aşar.
3. YOLOv7 modeli, 5 ila 160 FPS aralığında en yüksek mAP ve FPS oranına sahiptir.

Sonuç

YOLO veya You Only Look Once, modern bilgisayar görüşünde devlet-sanat nesne tespiti modelidir. YOLO algoritması, yüksek doğruluğu ve verimliliği ile bilinir ve bu nedenle gerçek zamanlı nesne tespiti endüstrisinde geniş bir uygulama alanına sahiptir. İlk YOLO algoritması 2016 yılında tanıtıldığından beri, deneyler, geliştiricilerin modeli sürekli olarak iyileştirmesine izin vermiştir.

YOLOv7 modeli, YOLO ailesinin en yeni üyedir ve bugüne kadarki en güçlü YOLO algoritmasıdır. Bu makalede, YOLOv7’nin temel prensiplerini açıklamaya çalıştık ve neden bu kadar verimli olduğunu anlamaya çalıştık.