Press "Enter" to skip to content

基于yolov4作者最新力作yolov7目标检测模型实现火点烟雾检测

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

上周的时候yolov4作者发表了其最新研究作品yolov7,将yolo系列的模型带到了一个新的高度,突然就是感觉最新模型迭代更新的速度有点太快了一点,也就是半个月的时间间隔吧,美团先是发表了yolov6的模型,刚刚拿来体验了一把,没隔多久yolov7居然就出来了,真心感觉自己看的速度都赶不上大佬发论文的速度了。

 

闲话不多说还是老样子,先看效果:

 

 

这里我基于CAM将其heatmap进行了可视化,如下所示:

 

 

为了能够更加直观地对比分析,我将其二者进行叠加展示,如下所示:

 

 

建议可以先看看作者大神的论文《YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors》,我还没来得及好好去看看,就想先上手这个项目实践一下,切实体验一下yolov7模型的性能。

 

论文地址在 这里 。截图如下所示:

 

 

 

 

 

 

 

 

官方提供的项目在 这里 。截图如下所示:

 

 

短短一周的时间就已经有2.4k+的star量,足可以yolo系列的受欢迎程度。

 

 

 

 

 

作者是基于COCO数据集进行的训练,在项目的README中页提供了train/test/val数据集以及对应的labels的下载链接,这个感兴趣的话可以自行前去使用,本质上讲自yolov5起模型的训练基本上所需的数据集格式都保持了一致,且模型的配置都采用了yaml的形式,这里关于数据集的格式就不介绍了,感兴趣的话可以看我前面的一篇文章。

 

《基于FastestDet目标检测模型实现火点烟雾检测》

 

这里主要是为了方便,所以使用的数据集与前面的这篇文章中所用到的数据集完全一致,所以就不再多解释了。

 

编写fire.yaml文件,如下:

 

train: train.txt  # 1400 images
val: val.txt  # 200 images
test: test.txt  # 200 images
# number of classes
nc: 3
# class names
names: [ 'fire', 'smoke', 'blacksmoke' ]

 

官方提供了COCO.yaml,只需要对照着修改成自己的即可。

 

数据集格式对照着COCO的数据集格式来即可。

 

准备好数据集之后就可以启动模型的训练工作了。

 

默认设定了300次的迭代计算

 

 

训练输出如下:

 

 

 

训练过程中会对得到的权重进行存储,我们可以下载所需的权重文件进行测试,随机选取图片测试结果如下:

 

 

 

 

 

相信目标检测模型会有更多的应用场景,这篇文章仅仅是简单的试水,后面有时间继续研究。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。