Implementation of "YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors"
Pose estimation implimentation is based on YOLO-Pose.
Download these tar file Inside: 'labels/train2017', 'labels/val2017', train2017.txt, val2017.txt [Keypoints Labels of MS COCO 2017]
Остальные фотки уже с data/get_coco.sh Там будут: 'images' , 'annotations'
# python -m torch.distributed.launch --nproc_per_node 8 --master_port 9527 train.py --data data/coco_kpts.yaml --cfg cfg/yolov7-w6-pose.yaml --weights weights/yolov7-w6-person.pt --batch-size 128 --img 960 --kpt-label --sync-bn --device 0,1,2,3,4,5,6,7 --name yolov7-w6-pose --hyp data/hyp.pose.yaml
python train.py --kpt-label --sync-bn --img 640
- В Датасете labels могут тупить – я скачал с репо эти фото, а фотки обычный с coco
- Обязательно давай --kpt-lable, и --sync-bn
- Входной image file – обязательно должен быть 640x640
- Удаляй cached train, val files
- В "loss.py" → 187, 189 line → gain = torch.ones(41, device=targets.device).long() → добавь long
- “./utils/plot.py” → 84 line → там “plot_skeleton_kpts” функцию положи в try-except case
Видать там keypoint NaN какой-нить, поэтому он не может plot его в image. Это проблема, когда ранится на Тестовых данных – Я понял что случилось: У меня batch_size=1, значит он апдейтит каждый раз Когда он тренит на 2-х фотках – он еще не успевает нормально фотки потренить, поэтому веса еще не тупят (на каждой фотке делает апдейт – batch_size=1) Когда он тренит на больших фотках (от 10 и выше) – он успевает нормально веса так потвикать, что в итоге Pose Extractor становится не такой идеальный. От этого когда ранится на Тестовых данных, где-то "Keypoints - NaN" и выходят ошибки ("cannot convert float infinity to integer", "RuntimeWarning: invalid value encountered in double_scalars" еще такой есть)
TensorRT:https://github.com/nanmi/yolov7-pose
python test.py --data data/coco_kpts.yaml --img 960 --conf 0.001 --iou 0.65 --weights yolov7-w6-pose.pt --kpt-label
@article{wang2022yolov7,
title={{YOLOv7}: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors},
author={Wang, Chien-Yao and Bochkovskiy, Alexey and Liao, Hong-Yuan Mark},
journal={arXiv preprint arXiv:2207.02696},
year={2022}
}
https://github.com/WongKinYiu/yolov7/tree/pose
Expand
- https://github.com/AlexeyAB/darknet
- https://github.com/WongKinYiu/yolor
- https://github.com/WongKinYiu/PyTorch_YOLOv4
- https://github.com/WongKinYiu/ScaledYOLOv4
- https://github.com/Megvii-BaseDetection/YOLOX
- https://github.com/ultralytics/yolov3
- https://github.com/ultralytics/yolov5
- https://github.com/DingXiaoH/RepVGG
- https://github.com/JUGGHM/OREPA_CVPR2022
- https://github.com/TexasInstruments/edgeai-yolov5/tree/yolo-pose