首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >干货 | YOLOv7目标检测论文解读与推理演示

干货 | YOLOv7目标检测论文解读与推理演示

作者头像
Color Space
发布于 2022-09-26 02:22:28
发布于 2022-09-26 02:22:28
5.7K00
代码可运行
举报
运行总次数:0
代码可运行

导读

本文主要介绍简化的YOLOv7论文解读和推理测试以及YOLOv7与 YOLO系列的其他目标检测器的比较。(公众号:OpenCV与AI深度学习

背景介绍 YOLOv7是YOLO系列中最先进的新型目标检测器。根据论文所述,它是迄今为止最快、最准确的实时目标检测器,最好的模型获得了56.8%的平均精度(AP),这是所有已知目标检测器中最高的,各种模型的速度范围在 5~160 FPS。

本文主要介绍简化的YOLOv7论文解读和推理测试以及YOLOv7与 YOLO系列的其他目标检测器的比较。

YOLOv7通过将性能提升一个档次建立了重要的基准。从YOLOv4开始在极短的时间内,我们看到YOLO家族的新成员接踵而至。每个版本都引入了一些新的东西来提高性能。早些时候,我们已经详细讨论了以前的 YOLO 版本。在下面查看YOLO 系列介绍:https://learnopencv.com/category/yolo/

YOLO的一般架构 YOLO架构基于FCNN(全卷积神经网络),然而,基于Transformer的版本最近也被添加到了YOLO 系列中。我们将在另一篇文章中讨论基于 Transformer 的检测器。现在,让我们关注基于FCNN的 YOLO 目标检测器。 YOLO 框架具有三个主要组件:
  • Backbone
  • Head
  • Neck

Backbone主要提取图像的基本特征,并通过Neck将它们馈送到HeadNeck收集由Backbone提取的特征图并创建特征金字塔。最后,头部由具有最终检测的输出层组成。下表显示了YOLOv3、YOLOv4和YOLOv5 的总体架构。

YOLOv7有什么新功能? YOLOv7通过引入多项架构改革提高了速度和准确性。与Scaled YOLOv4类似,YOLOv7主干不使用 ImageNet预训练的主干。相反,模型完全使用 COCO 数据集进行训练。由于YOLOv7是由Scaled YOLOv4 的同一作者编写的,因此可以预料到这种相似性。YOLOv7 论文中引入了以下主要变化,我们将一一进行介绍:
  • 架构改革
    • E-ELAN(扩展高效层聚合网络)
    • 基于串联模型的模型缩放
  • 可训练的 BoF(赠品袋)
    • 计划重新参数化卷积
    • 粗为辅助,细为Lead Loss

YOLOv7架构 该架构源自 YOLOv4、Scaled YOLOv4 和 YOLO-R。以这些模型为基础,进行了进一步的实验以开发新的和改进的 YOLOv7。 【1】YOLOv7论文中的E-ELAN(Extended Efficient Layer Aggregation Network) E-ELAN是 YOLOv7主干中的计算块。它从先前对网络效率的研究中汲取灵感。它是通过分析以下影响速度和准确性的因素而设计的。
  • 内存访问成本
  • 输入输出通道比
  • 元素明智的操作
  • 激活
  • 渐变路径


提出的E-ELAN使用expand、shuffle、merge cardinality来实现在不破坏原有梯度路径的情况下不断增强网络学习能力的能力。


简单来说,E-ELAN 架构使框架能够更好地学习。它基于 ELAN 计算块。在撰写本文时,ELAN 论文尚未发表。我们将通过添加 ELAN 的详细信息来更新帖子(https://github.com/WongKinYiu/yolov7/issues/17#issuecomment-1179831969)

【2】YOLOv7中的复合模型缩放 不同的应用需要不同的模型。虽然有些人需要高度准确的模型,但有些人优先考虑速度。执行模型缩放以适应这些要求并使其适合各种计算设备。 在缩放模型大小时,会考虑以下参数:
  • 分辨率(输入图像的大小)
  • 宽度(通道数)
  • 深度(网络层数)
  • 阶段(特征金字塔的数量)

NAS(Network Architecture Search)是一种常用的模型缩放方法。研究人员使用它来迭代参数以找到最佳比例因子。但是,像 NAS 这样的方法会进行参数特定的缩放。在这种情况下,比例因子是独立的。 YOLOv7论文的作者表明,它可以通过复合模型缩放方法进一步优化。在这里,对于基于连接的模型,宽度和深度是连贯地缩放的。

YOLOv7可训练的Bag of FreeBies BoF或Bag of Freebies 是在不增加训练成本的情况下提高模型性能的方法。YOLOv7引入了以下 BoF 方法。 【1】计划重参数化卷积 重新参数化是训练后用于改进模型的一种技术。它增加了训练时间,但提高了推理结果。有两种类型的重新参数化用于最终确定模型,模型级和模块级集成。 模型级别的重新参数化可以通过以下两种方式完成。
  • 使用不同的训练数据但相同的设置,训练多个模型。然后平均它们的权重以获得最终模型。
  • 取不同时期模型权重的平均值。

最近,模块级别的重新参数化在研究中获得了很大的关注。在这种方法中,模型训练过程被分成多个模块。输出被集成以获得最终模型。YOLOv7 论文中的作者展示了执行模块级集成的最佳方法(如下所示)。

在上图中,E-ELAN 计算块的 3×3 卷积层被替换为 RepConv 层。我们通过切换或替换 RepConv、3×3 Conv 和 Identity 连接的位置来进行实验。上面显示的残余旁路箭头是一个身份连接。它只不过是一个 1×1 的卷积层。我们可以看到有效的配置和无效的配置。在RepVGG 论文中查看有关 RepConv 的更多信息。 包括 RepConv,YOLOv7 还对 Conv-BN(Convolution Batch Normalization)、OREPA(Online Convolutional Re-parameterization)和 YOLO-R 进行了重新参数化,以获得最佳结果。

【2】Coarse for Auxiliary and Fine for Lead loss 正如你现在已经知道的那样,YOLO 架构包括主干、颈部和头部。头部包含预测的输出。YOLOv7 不以单头为限。它有多个头可以做任何想做的事情。是不是很有趣? 然而,这并不是第一次引入多头框架。深度监督是 DL 模型使用的一种技术,它使用多个头。在 YOLOv7 中,负责最终输出的 head 称为Lead Head。而中间层用来辅助训练的头叫做辅助头。 在辅助损失的帮助下,辅助头的权重被更新。它允许深度监督并且模型学习得更好。这些概念与Lead Head和Label Assigner 密切相关。 标签分配器是一种将网络预测结果与基本事实一起考虑然后分配软标签的机制。需要注意的是,标签分配器不会生成硬标签,而是生成软标签和粗标签。 Lead Head Guided Label Assigner 封装了以下三个概念。
  • Lead Head
  • Auxiliary Head
  • Soft Label Assigner

YOLOv7 网络中的 Lead Head 预测最终结果。基于这些最终结果生成软标签。重要的部分是基于生成的相同软标签计算前导头和辅助头的损失。最终,两个头部都使用软标签进行训练。如上图左图所示。 有人可能会问,“为什么要使用软标签?”。作者在论文中说得很好: “之所以这样做,是因为lead head具有比较强的学习能力,所以由它生成的软标签应该更能代表源数据和目标之间的分布和相关性。……通过让较浅的辅助头直接学习领头人学习过的信息,领头人将更能专注于学习尚未学习的残留信息。” 现在,进入从粗到细的标签,如上图右图所示。实际上,在上述过程中,生成了两组不同的软标签。

  • 精细标签用于训练训练 lead head
  • 粗略标签用于训练辅助头部

精细标签与直接生成的软标签相同。然而,为了生成粗略的标签,更多的网格被视为正目标。这是通过放宽正样本分配过程的约束来完成的。

YOLOv7的实验和结果 所有 YOLOv7 模型在 5 FPS 到 160 FPS 范围内的速度和精度都超过了之前的目标检测器。下图很好地说明了 YOLOv7 模型与其他模型相比的平均精度 (AP) 和速度。

从上图可以看出,从 YOLOv7 开始,无论是速度还是准确率,其他模型都无法与 YOLOv7 竞争。


注意:我们进一步讨论的结果来自YOLOv7 论文,其中所有推理实验都是在 Tesla V100 GPU 上完成的。所有 AP 结果都是在 COCO 验证或测试集上完成的。

【1】mAP 比较:YOLOv7 与其他模型

上述结果大多根据一组特定模型的一系列参数组合在一起。

  • 从 YOLOv7-Tiny 模型开始,它是家族中最小的模型,参数刚刚超过 600 万。它的验证 AP 为 35.2%,击败了具有相似参数的 YOLOv4-Tiny 模型。
  • 具有近 3700 万个参数的 YOLOv7 正常模型提供了 51.2% 的 AP,再次击败了具有更多参数的 YOLOv4 和 YOLOR 的变体。
  • YOLO7 系列中较大的型号,YOLOv7-X、YOLOv7-E6、YOLOv7-D6 和 YOLOv7-E6E。所有这些都击败了各自的 YOLOR 模型,它们的参数数量相似或更少,AP 分别为 52.9%、55.9%、56.3% 和 56.8%。

现在,YOLOv7超越的不仅仅是YOLOv4和YOLOR模型。将验证 AP 与具有相同范围内参数的YOLOv5和 YOLOv7 模型进行比较,很明显 YOLOv7 也击败了所有 YOLOv5 模型。

【2】FPS 比较:YOLOv7 与其他模型

‍ YOLOv7 论文中的表 2提供了 YOLOv7 与其他模型的 FPS 的全面比较,以及尽可能在 COCO 测试集上的 AP 比较。

已经确定 YOLOv7 在 5 FPS 到 160 FPS 的范围内具有最高的 FPS 和 mAP。所有 FPS 比较均在 Tesla V100 GPU 上完成。

YOLOv7-E6 模型(上面突出显示)在 V100 GPU 上以 56 FPS 运行,测试 AP 为 56%。这超过了基于变压器的SWIN_L Cascade-Mask R-CNN模型(9.2 FPS,53.9% AP)和基于卷积的ConvNeXt-XL(8.6 FPS,55.2% AP)。这很重要,因为其他两种型号即使在 A100 GPU 上也提供更少的 FPS,与 V100 GPU 相比,A100 GPU 更强大。

值得注意的是,没有一个 YOLOv7 模型适用于移动设备/移动 CPU(如作者在论文中所述)。

YOLOv7-Tiny、YOLOv7 和 YOLOv7-W6 分别用于边缘 GPU、普通(消费者)GPU 和云 GPU。这意味着 YOLOv7-E6 和 YOLOv7-D6 以及 YOLOv7-E6E 也仅适用于高端云 GPU。尽管如此,所有 YOLOv7 模型在 Tesla V100 GPU 上的运行速度都超过了 30 FPS,超过了实时 FPS。

上述实验结果表明,YOLOv7 模型在速度和准确度上确实优于目标检测器。

YOLOv7目标检测推理 现在,让我们进入博文中令人兴奋的部分,即使用 YOLOv7 对视频进行推理。我们将使用 YOLOv7 和 YOLOv7-Tiny 模型运行推理。除此之外,我们还将将结果与 YOLOv5 和 YOLOv4 模型的结果进行比较。


注意:此处显示的所有推理结果均在具有6 GB GTX 1060(笔记本 GPU)、第 8 代 i7 CPU 和 16 GB RAM 的机器上运行。


如果您打算在自己的视频上运行对象检测推理实验,则必须使用以下命令克隆 YOLOv7 GitHub 存储库。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
git clone https://github.com/WongKinYiu/yolov7.git

然后,您可以使用 detect.py 脚本对您选择的视频进行推理。您还需要从此处下载yolov7-tiny.pt和yolov7.pt预训练模型。

在这里,我们将对描述以下三种不同场景的三个视频进行推理。

  • 第一个视频是测试 YOLOv7 物体检测模型在小而远的物体上的表现。
  • 第二个视频有很多人描绘了一个拥挤的场景。
  • 第三个视频是许多 YOLO 模型(v4、v5 和 v7)在检测对象时犯了同样的一般错误的视频。

此处的 YOLOv7 结果针对所有三个视频的Tiny和Normal模型一起显示。这将帮助我们以简单的方式比较每个结果的结果。

让我们看看使用 YOLOv7-Tiny(顶部)和 YOLOv7(底部)模型对第一个视频的检测推理结果。以下命令分别用于使用 Tiny 和 Normal 模型运行推理。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
python detect.py --source ../inference_data/video_1.mp4 --weights yolov7-tiny.pt --name video_tiny_1 --view-img
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
python detect.py --source ../inference_data/video_1.mp4 --weights yolov7.pt --name video_1 --view-img

我们可以立即看到 YOLOv7-Tiny 模型的局限性。它无法检测到非常遥远和小的汽车、摩托车和人。YOLOv7 模型能够更好地检测这些物体。但这不是故事的全部。虽然 YOLO7-Tiny 的表现不是那么好,但它比 YOLOv7 快得多。虽然 YOLOv7 提供大约 19 FPS 的速度,但 YOLOv7-Tiny 能够以大约 42 FPS 的速度运行它,这远高于实时速度。

现在,让我们看看描述拥挤场景的第二个视频的结果。我们使用与上面相同的命令,但根据视频路径和名称更改 –source 和 –name 标志的值。

与 YOLOv7-Tiny 模型相比,YOLOv7 模型能够以更少的波动和更高的信心检测到人。不仅如此,YOLOv7-Tiny 还错过了一些红绿灯和远处的人。

现在让我们对最终视频进行推理,该视频显示了所有 YOLOv7 模型中的一些一般故障案例。

我们可以看到两个模型中的一些普遍错误:

  • 检测其他路标作为停车标志。
  • 将禁止的道路符号错误地检测为人。

正如我们稍后将看到的,上述两个错误在 YOLOv4 和 YOLOv5 中很常见。

尽管 YOLO7-Tiny 比 YOLOv7 模型犯的错误更多,但它的速度要快得多。平均而言,YOLOv7-Tiny 的运行速度超过 40 FPS,而 YOLOv7 模型的运行速度略高于 20 FPS。

YOLOv4、YOLOv5-Large、YOLOv7模型比较 以下三个视频展示了其中一个视频上 YOLOv4、YOLOv5-Large 和 YOLOv7 模型(从上到下)的比较。这将使我们对每个模型在各种场景中的表现有一个适当的定性概念。

下表显示了三个视频中三个模型的不同变体的 FPS 和运行时间。

YOLOv7简单总结 至此,我们结束了对 YOLOv7 的介绍,本文内容简单总结如下:
  • YOLO 的一般架构由 Backbone、Neck 和 Head 组成。
  • YOLOv7 的架构改革。
    • E-ELAN
    • YOLOv7 中的复合模型缩放
  • YOLOv7 中可训练的免费赠品包。
    • YOLOv7 中的重新参数化
    • 粗为辅助,细为Lead Loss
  • 如何使用 YOLOv7 GitHub 存储库运行目标检测推理。
  • YOLOv7 在速度和准确度上超过了所有实时目标检测器。
  • FPS:5 – 165
  • mAP:51.4% – 56.8%
  • YOLOv7 减少了 40% 的参数和 50% 的计算,但提高了性能。

参考链接:

1. https://learnopencv.com/yolov7-object-detection-paper-explanation-and-inference/

2. YOLOv7论文:https://arxiv.org/pdf/2207.02696.pdf

3. YOLOv7 GitHub:https://github.com/WongKinYiu/yolov7

—THE END—

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2022-08-05,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 OpenCV与AI深度学习 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
中央网信办颁布《网络产品和服务安全审查办法(试行)》
5月2日,中央网信办颁布《网络产品和服务安全审查办法(试行)》。办法中明确,关系国家安全的网络和信息系统采购的重要网络产品和服务,应当经过网络安全审查,重点审查其安全性、可控性,旨在提高网络产品和服务安全可控水平,防范网络安全风险,维护国家安全。该办法于今年6月1日起实施。 以下附《网络产品和服务安全审查办法(试行)》全文: (转自中央网信办官网) 网络产品和服务安全审查办法 (试 行) 第一条 为提高网络产品和服务安全可控水平,防范网络安全风险,维护国家安全,依据《中华人民共和国国家安全法》《中华人民
安恒信息
2018/04/11
1.6K0
滴滴出行、运满满、货车帮、BOSS直聘接受网络安全审查
最新消息 据“网信中国”微信公众号5日发布的公告,为防范国家数据安全风险,维护国家安全,保障公共利益,依据《中华人民共和国国家安全法》《中华人民共和国网络安全法》,网络安全审查办公室按照《网络安全审查办法》,对“运满满”“货车帮”“BOSS直聘”实施网络安全审查。为配合网络安全审查工作,防范风险扩大,审查期间“运满满”“货车帮”“BOSS直聘”停止新用户注册。 安全审查鸣笛,“滴滴”不会是最后一家 7月2日,网络安全审查办公室发布对“滴滴出行”启动网络安全审查的公告。原文如下: 为防范国家数据安全风险,维护
FB客服
2023/03/30
4430
滴滴出行、运满满、货车帮、BOSS直聘接受网络安全审查
网络安全宣传周 - 关键信息基础设施保护条例
随着信息技术的飞速发展,关键信息基础设施已成为国家经济社会运行的神经中枢,其安全稳定运行对于国家的安全、经济发展和社会稳定至关重要。为了保障关键信息基础设施的安全,我国制定了《关键信息基础设施安全保护条例》(以下简称《条例》)。在网络安全宣传周期间,深入研究《条例》对于提高全社会对关键信息基础设施保护的认识、加强关键信息基础设施的安全防护具有重要意义。
Khan安全团队
2024/12/01
1640
《网络安全审查办法》与信安从业者有什么关系
近日《网络安全审查办法》刷遍安全圈,为何如此被各大厂商争相转载。那么《办法》与我们信安从业者又有何相关?
FB客服
2020/05/06
5310
《网络安全审查办法》与信安从业者有什么关系
安全专家解读:《网络安全审查办法》出台,企业应如何落实加强安全建设?
关键信息基础设施对国家安全、经济安全、社会稳定、公众健康和安全至关重要。我国建立网络安全审查制度,目的是通过网络安全审查这一举措,及早发现并避免采购产品和服务给关键信息基础设施运行带来风险和危害,保障关键信息基础设施供应链安全,维护国家安全。
腾讯安全
2020/04/30
8070
安全专家解读:《网络安全审查办法》出台,企业应如何落实加强安全建设?
网络安全宣传周 - 供应链安全
在当今数字化时代,网络安全已成为国家、社会、企业乃至个人绕不开的重要命题。而供应链安全作为网络安全的关键防线,其重要性不言而喻。现代企业的供应链通常涉及多个环节和多个合作伙伴,一旦供应链出现安全漏洞,可能会对企业的核心利益造成严重影响。例如,软件供应链安全事件频发,攻击者利用软件供应链的复杂性和互联性,通过恶意软件植入、代码篡改等方式,实现对目标软件的深度渗透和控制,进而影响企业的竞争力和市场地位。同时,供应链安全也关乎消费者权益。消费者对产品和服务的质量和安全性要求越来越高,一旦供应链网络出现问题,可能导致产品质量问题或数据泄露,损害消费者利益,甚至引发消费者维权事件,对企业形象造成严重影响。此外,关键信息基础设施的稳定运行也离不开供应链安全。党的十八大以来,以习近平同志为核心的党中央高度重视网络安全和信息化工作,关键信息基础设施作为国家的重要资产,其安全稳定运行至关重要。而供应链安全问题可能会导致关键信息基础设施的停服断供、安全漏洞等,严重危害国家安全。
Khan安全团队
2024/11/02
3830
《网络安全审查办法》落地实施,风控为何成网络安全最重要防线?
当前,人类社会已进入到了除海陆空、太空之外的第三个空间——虚拟网络空间,而网络空间安全不仅与大数据,人工智能等热门领域联系紧密,还运用到各行各业,渗入我们生活的每一个角落。
科技云报道
2022/04/16
3880
《网络安全审查办法》落地实施,风控为何成网络安全最重要防线?
中国对美光在华销售的产品实施网络安全审查
3月31日晚间,国家互联网信息办公室下设的“网络安全审查办公室”宣布对美光公司(Micron)在华销售的产品实施网络安全审查。
芯智讯
2023/04/11
2630
中国对美光在华销售的产品实施网络安全审查
国家网信办:掌握超过100万用户个人信息运营者赴国外上市需审查
1.登录中华人民共和国司法部 中国政府法制信息网(www.moj.gov.cn、www.chinalaw.gov.cn),进入首页主菜单的“立法意见征集”栏目提出意见。
CloudBest
2023/03/03
7430
5个问题快速读懂今起实施的《网络安全法》
我们所知的《中华人民共和国网络安全法》是去年11月7日通过,并从今年6月1日也就是今天开始施行的。就该法律的获准通过及其解读,FreeBuf还曾专访过段和段律师事务所创始人刘春泉律师,主要就其对企业安全可能产生的影响做了相对深入的解读。 路透社先前发表的评论文章中援引了美国商会主席James Zimmerman的话,他认为中国的这项法律“模糊,暧昧,监管机构完全可以对其进行各种解读”;不过我们知道,《网络安全法》是中国第一部有关网络安全的基础性、“大纲性”的法律,刘春泉律师就曾说过它“仍需完善”,但至少中国
FB客服
2018/02/26
7900
5个问题快速读懂今起实施的《网络安全法》
《网络安全法》今起实施,专家帮您来解读
今天,备受瞩目的《中华人民共和国网络安全法》(以下简称《网络安全法》)正式付诸实施了。这是我国第一部专门针对网络安全综合性法律,它的施行标志着我国网络安全从此有法可依,网络空间治理、网络信息传播秩序规范、网络犯罪惩治等方面即将迎来崭新的局面。特别是在网络信息技术日益发展的当下,《网络安全法》的实施对保障我国网络安全、维护国家总体安全具有深远而重大的意义。 不久前,“2017西湖论剑(中国网络安全创新分享大会)”在乌镇成功召开,政府主管部门领导、业界专家、企业决策者和技术负责人,从各自领域内出发,分享了对《网
安恒信息
2018/04/11
7620
《网络安全法》今起实施,专家帮您来解读
国务院最新发布《关键信息基础设施安全保护条例》,9月1日起施行
《关键信息基础设施安全保护条例》已经2021年4月27日国务院第133次常务会议通过,现予公布,自2021年9月1日起施行。
腾讯安全
2021/08/17
1.1K0
国务院最新发布《关键信息基础设施安全保护条例》,9月1日起施行
网络安全法,你应该关注的互联网大事件
互联网高速发展,配套的法律法规等监管制度完善速度慢跟不上,是事实,在电子商务、个人隐私、数据安全、版权保护、知识产权诸多领域都有一些灰色地带,让互联网上一直存在各种地雷。 可喜可贺的是,《中华人民共和国网络安全法(草案)》在上个月,通过了第十二届全国人大常委会第十五次会议的初次审议。近日,全国人大官网公布网络安全法(草案)全文并征求民意。 这是一个非常重要的里程碑事件,对人们的网络生活、对互联网相关企业的业务运营,都将产生巨大、深远的影响。草案尚在征集意见阶段,不过基本框架已面面俱到了,里面还是有不少值得关
罗超频道
2018/04/28
7040
网络安全宣传周 - 数据安全法
随着信息技术的飞速发展,数据已成为国家基础性战略资源,对于推动经济发展、提升国家治理能力、保障国家安全具有重要意义。为了规范数据处理活动,保障数据安全,促进数据开发利用,我国制定了《中华人民共和国数据安全法》(以下简称《数据安全法》)。在网络安全宣传周期间,深入研究《数据安全法》对于提高全社会的数据安全意识、加强数据安全保护具有重要的现实意义。
Khan安全团队
2024/12/01
1770
可落地的安全要求,关基保护又出新规 | FreeBuf咨询解读
2022年10月12日,市场监管总局(标准委)正式批准国家标准——GB/T 39204 2022《信息安全技术 关键信息基础设施安全保护要求》,该要求将于2023年5月1日起实施。
FB客服
2023/02/10
5940
可落地的安全要求,关基保护又出新规 | FreeBuf咨询解读
网络安全宣传周 - 等级保护 2.0
在当今数字化时代,网络安全已成为国家、企业和个人面临的重要挑战。为了有效保障网络安全,我国推出了网络安全等级保护 2.0 制度(以下简称 “等级保护 2.0”)。在网络安全宣传周期间,深入研究等级保护 2.0 对于提高全社会的网络安全意识、加强网络安全防护具有重要意义。
Khan安全团队
2024/12/01
1940
网信办修改《网络安全法》的决定(征求意见稿)公布
2022年9月14日,国家互联网信息办公室发布关于公开征求《关于修改〈中华人民共和国网络安全法〉的决定(征求意见稿)》意见的通知。 为了做好《中华人民共和国网络安全法》与相关法律的衔接协调,完善法律责任制度,保护个人、组织在网络空间的合法权益,维护国家安全和公共利益,我办会同相关部门起草了《关于修改〈中华人民共和国网络安全法〉的决定(征求意见稿)》,现向社会公开征求意见。公众可通过以下途径和方式反馈意见: 1、通过电子邮件将意见发送至:law@cac.gov.cn。 2、通过信函将意见寄至:北京市西城区车公
云头条
2022/09/15
1.2K0
网络安全行业点亮“航标灯”——《关键信息基础设施安全保护条例》解读
能源、交通、水利、金融、公共服务等重要行业和领域作为经济社会运行的神经中枢,长期面临着各类安全威胁。近年来,世界各国纷纷出台网络安全战略并不断完善网络安全立法,加强关键信息基础设施保护。
腾讯安全
2021/08/30
5130
聊聊供应链安全:政策与问题
12月14日,据路透社和《华盛顿邮报》报道,知名IT公司SolarWinds旗下的Orion网络监控软件更新服务器遭黑客入侵并植入恶意代码,导致美国财政部、商务部等多个政府机构用户受到长期入侵和监视,甚至可能与上周曝出的FireEye网络武器库被盗事件有关。美国国家安全委员会甚至因此在上周六召开紧急会议。 SolarWinds是全球流行的网络管理软件,客户群体覆盖了大量重要机构和超过9成的世界500强企业,在全球的机构用户超过30万家。根据该公司网站的介绍,其中包括美国军方的五大军种(海军、陆军、空军、美国
FB客服
2023/04/26
5550
聊聊供应链安全:政策与问题
《中华人民共和国网络安全法》分类目录文章标签友情链接联系我们
第一章 总 则 第二章 网络安全支持与促进 第三章 网络运行安全 第一节 一般规定 第二节 关键信息基础设施的运行安全 第四章 网络信息安全 第五章 监测预警与应急处置 第六章 法律责任 第七章 附 则 条文 第一章 总 则 第一条 为了保障网络安全,维护网络空间主权和国家安全、社会公共利益,保护公民、法人和其他组织的合法权益,促进经济社会信息化健康发展,制定本法。 第二条 在中华人民共和国境内建设、运营、维护和使用网络,以及网络安全的监督管理,适用本法。 第三条 国家坚持网络安
用户1246209
2018/06/27
1.1K0
推荐阅读
相关推荐
中央网信办颁布《网络产品和服务安全审查办法(试行)》
更多 >
LV.7
Khan安全信息科技有限公司CTO
目录
  • 背景介绍 YOLOv7是YOLO系列中最先进的新型目标检测器。根据论文所述,它是迄今为止最快、最准确的实时目标检测器,最好的模型获得了56.8%的平均精度(AP),这是所有已知目标检测器中最高的,各种模型的速度范围在 5~160 FPS。
  • YOLO的一般架构 YOLO架构基于FCNN(全卷积神经网络),然而,基于Transformer的版本最近也被添加到了YOLO 系列中。我们将在另一篇文章中讨论基于 Transformer 的检测器。现在,让我们关注基于FCNN的 YOLO 目标检测器。 YOLO 框架具有三个主要组件:
  • YOLOv7有什么新功能? YOLOv7通过引入多项架构改革提高了速度和准确性。与Scaled YOLOv4类似,YOLOv7主干不使用 ImageNet预训练的主干。相反,模型完全使用 COCO 数据集进行训练。由于YOLOv7是由Scaled YOLOv4 的同一作者编写的,因此可以预料到这种相似性。YOLOv7 论文中引入了以下主要变化,我们将一一进行介绍:
  • YOLOv7架构 该架构源自 YOLOv4、Scaled YOLOv4 和 YOLO-R。以这些模型为基础,进行了进一步的实验以开发新的和改进的 YOLOv7。 【1】YOLOv7论文中的E-ELAN(Extended Efficient Layer Aggregation Network) E-ELAN是 YOLOv7主干中的计算块。它从先前对网络效率的研究中汲取灵感。它是通过分析以下影响速度和准确性的因素而设计的。
  • 【2】YOLOv7中的复合模型缩放 不同的应用需要不同的模型。虽然有些人需要高度准确的模型,但有些人优先考虑速度。执行模型缩放以适应这些要求并使其适合各种计算设备。 在缩放模型大小时,会考虑以下参数:
  • YOLOv7可训练的Bag of FreeBies BoF或Bag of Freebies 是在不增加训练成本的情况下提高模型性能的方法。YOLOv7引入了以下 BoF 方法。 【1】计划重参数化卷积 重新参数化是训练后用于改进模型的一种技术。它增加了训练时间,但提高了推理结果。有两种类型的重新参数化用于最终确定模型,模型级和模块级集成。 模型级别的重新参数化可以通过以下两种方式完成。
  • 【2】Coarse for Auxiliary and Fine for Lead loss 正如你现在已经知道的那样,YOLO 架构包括主干、颈部和头部。头部包含预测的输出。YOLOv7 不以单头为限。它有多个头可以做任何想做的事情。是不是很有趣? 然而,这并不是第一次引入多头框架。深度监督是 DL 模型使用的一种技术,它使用多个头。在 YOLOv7 中,负责最终输出的 head 称为Lead Head。而中间层用来辅助训练的头叫做辅助头。 在辅助损失的帮助下,辅助头的权重被更新。它允许深度监督并且模型学习得更好。这些概念与Lead Head和Label Assigner 密切相关。 标签分配器是一种将网络预测结果与基本事实一起考虑然后分配软标签的机制。需要注意的是,标签分配器不会生成硬标签,而是生成软标签和粗标签。 Lead Head Guided Label Assigner 封装了以下三个概念。
  • YOLOv7的实验和结果 所有 YOLOv7 模型在 5 FPS 到 160 FPS 范围内的速度和精度都超过了之前的目标检测器。下图很好地说明了 YOLOv7 模型与其他模型相比的平均精度 (AP) 和速度。
  • 从上图可以看出,从 YOLOv7 开始,无论是速度还是准确率,其他模型都无法与 YOLOv7 竞争。
  • 【1】mAP 比较:YOLOv7 与其他模型
  • 【2】FPS 比较:YOLOv7 与其他模型
  • YOLOv7目标检测推理 现在,让我们进入博文中令人兴奋的部分,即使用 YOLOv7 对视频进行推理。我们将使用 YOLOv7 和 YOLOv7-Tiny 模型运行推理。除此之外,我们还将将结果与 YOLOv5 和 YOLOv4 模型的结果进行比较。
  • YOLOv4、YOLOv5-Large、YOLOv7模型比较 以下三个视频展示了其中一个视频上 YOLOv4、YOLOv5-Large 和 YOLOv7 模型(从上到下)的比较。这将使我们对每个模型在各种场景中的表现有一个适当的定性概念。
  • YOLOv7简单总结 至此,我们结束了对 YOLOv7 的介绍,本文内容简单总结如下:
  • —THE END—
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档