1.識別效果展示

2.視頻演示

[YOLOv7]基于YOLOv7的食物卡路里檢測系統(tǒng)(源碼＆部署教程＆數(shù)據(jù)集)_嗶哩嗶哩_bilibili

3.YOLOv7算法簡介

YOLOv7 在 5 FPS 到 160 FPS 范圍內(nèi)，速度和精度都超過了所有已知的目標(biāo)檢測器

并在 GPU V100 上，30 FPS 的情況下達(dá)到實(shí)時目標(biāo)檢測器的最高精度 56.8% AP。YOLOv7 是在 MS COCO 數(shù)據(jù)集上從頭開始訓(xùn)練的，不使用任何其他數(shù)據(jù)集或預(yù)訓(xùn)練權(quán)重。
相對于其他類型的工具，YOLOv7-E6 目標(biāo)檢測器（56 FPS V100，55.9% AP）比基于 transformer 的檢測器 SWINL Cascade-Mask R-CNN（9.2 FPS A100，53.9% AP）速度上高出 509%，精度高出 2%，比基于卷積的檢測器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度高出 551%，精度高出 0.7%。

此外， YOLOv7 的在速度和精度上的表現(xiàn)也優(yōu)于 YOLOR、YOLOX、Scaled-YOLOv4、YOLOv5、DETR 等多種目標(biāo)檢測器。

4.YOLOv7 技術(shù)方法

近年來，實(shí)時目標(biāo)檢測器仍在針對不同的邊緣設(shè)備進(jìn)行開發(fā)。例如，MCUNet 和 NanoDet 的開發(fā)專注于生產(chǎn)低功耗單芯片并提高邊緣 CPU 的推理速度；YOLOX、YOLOR 等方法專注于提高各種 GPU 的推理速度；實(shí)時目標(biāo)檢測器的發(fā)展集中在高效架構(gòu)的設(shè)計(jì)上；在 CPU 上使用的實(shí)時目標(biāo)檢測器的設(shè)計(jì)主要基于 MobileNet、ShuffleNet 或 GhostNet；為 GPU 開發(fā)的實(shí)時目標(biāo)檢測器則大多使用 ResNet、DarkNet 或 DLA，并使用 CSPNet 策略來優(yōu)化架構(gòu)。

YOLOv7 的發(fā)展方向與當(dāng)前主流的實(shí)時目標(biāo)檢測器不同，研究團(tuán)隊(duì)希望它能夠同時支持移動 GPU 和從邊緣到云端的 GPU 設(shè)備。除了架構(gòu)優(yōu)化之外，該研究提出的方法還專注于訓(xùn)練過程的優(yōu)化，將重點(diǎn)放在了一些優(yōu)化模塊和優(yōu)化方法上。這可能會增加訓(xùn)練成本以提高目標(biāo)檢測的準(zhǔn)確性，但不會增加推理成本。研究者將提出的模塊和優(yōu)化方法稱為可訓(xùn)練的「bag-of-freebies」。

對于模型重參數(shù)化，該研究使用梯度傳播路徑的概念分析了適用于不同網(wǎng)絡(luò)層的模型重參數(shù)化策略，并提出了有計(jì)劃的重參數(shù)化模型。此外，研究者發(fā)現(xiàn)使用動態(tài)標(biāo)簽分配技術(shù)時，具有多個輸出層的模型在訓(xùn)練時會產(chǎn)生新的問題：「如何為不同分支的輸出分配動態(tài)目標(biāo)？」針對這個問題，研究者提出了一種新的標(biāo)簽分配方法，稱為從粗粒度到細(xì)粒度（coarse-to-fine）的引導(dǎo)式標(biāo)簽分配。

該研究的主要貢獻(xiàn)包括：

(1) 設(shè)計(jì)了幾種可訓(xùn)練的 bag-of-freebies 方法，使得實(shí)時目標(biāo)檢測可以在不增加推理成本的情況下大大提高檢測精度；

(2) 對于目標(biāo)檢測方法的演進(jìn)，研究者發(fā)現(xiàn)了兩個新問題：一是重參數(shù)化的模塊如何替換原始模塊，二是動態(tài)標(biāo)簽分配策略如何處理分配給不同輸出層的問題，并提出了解決這兩個問題的方法；

(3) 提出了實(shí)時目標(biāo)檢測器的「擴(kuò)充（extend）」和「復(fù)合擴(kuò)展（compound scale）」方法，以有效地利用參數(shù)和計(jì)算；

(4) 該研究提出的方法可以有效減少 SOTA 實(shí)時目標(biāo)檢測器約 40% 的參數(shù)和 50% 的計(jì)算量，并具有更快的推理速度和更高的檢測精度。

在大多數(shù)關(guān)于設(shè)計(jì)高效架構(gòu)的文獻(xiàn)中，人們主要考慮的因素包括參數(shù)的數(shù)量、計(jì)算量和計(jì)算密度。下圖 2（b）中 CSPVoVNet 的設(shè)計(jì)是 VoVNet 的變體。CSPVoVNet 的架構(gòu)分析了梯度路徑，以使不同層的權(quán)重能夠?qū)W習(xí)更多不同的特征，使推理更快、更準(zhǔn)確。圖 2 ? 中的 ELAN 則考慮了「如何設(shè)計(jì)一個高效網(wǎng)絡(luò)」的問題。

YOLOv7 研究團(tuán)隊(duì)提出了基于 ELAN 的擴(kuò)展 E-ELAN，其主要架構(gòu)如圖所示。

新的 E-ELAN 完全沒有改變原有架構(gòu)的梯度傳輸路徑，其中使用組卷積來增加添加特征的基數(shù)（cardinality），并以 shuffle 和 merge cardinality 的方式組合不同組的特征。這種操作方式可以增強(qiáng)不同特征圖學(xué)得的特征，改進(jìn)參數(shù)的使用和計(jì)算效率。

無論梯度路徑長度和大規(guī)模 ELAN 中計(jì)算塊的堆疊數(shù)量如何，它都達(dá)到了穩(wěn)定狀態(tài)。如果無限堆疊更多的計(jì)算塊，可能會破壞這種穩(wěn)定狀態(tài)，參數(shù)利用率會降低。新提出的 E-ELAN 使用 expand、shuffle、merge cardinality 在不破壞原有梯度路徑的情況下讓網(wǎng)絡(luò)的學(xué)習(xí)能力不斷增強(qiáng)。

在架構(gòu)方面，E-ELAN 只改變了計(jì)算塊的架構(gòu)，而過渡層（transition layer）的架構(gòu)完全沒有改變。YOLOv7 的策略是使用組卷積來擴(kuò)展計(jì)算塊的通道和基數(shù)。研究者將對計(jì)算層的所有計(jì)算塊應(yīng)用相同的組參數(shù)和通道乘數(shù)。然后，每個計(jì)算塊計(jì)算出的特征圖會根據(jù)設(shè)置的組參數(shù) g 被打亂成 g 個組，再將它們連接在一起。此時，每組特征圖的通道數(shù)將與原始架構(gòu)中的通道數(shù)相同。最后，該方法添加 g 組特征圖來執(zhí)行 merge cardinality。除了保持原有的 ELAN 設(shè)計(jì)架構(gòu)，E-ELAN 還可以引導(dǎo)不同組的計(jì)算塊學(xué)習(xí)更多樣化的特征。
因此，對基于串聯(lián)的模型，我們不能單獨(dú)分析不同的擴(kuò)展因子，而必須一起考慮。該研究提出圖 （c），即在對基于級聯(lián)的模型進(jìn)行擴(kuò)展時，只需要對計(jì)算塊中的深度進(jìn)行擴(kuò)展，其余傳輸層進(jìn)行相應(yīng)的寬度擴(kuò)展。這種復(fù)合擴(kuò)展方法可以保持模型在初始設(shè)計(jì)時的特性和最佳結(jié)構(gòu)。

此外，該研究使用梯度流傳播路徑來分析如何重參數(shù)化卷積，以與不同的網(wǎng)絡(luò)相結(jié)合。下圖展示了該研究設(shè)計(jì)的用于 PlainNet 和 ResNet 的「計(jì)劃重參數(shù)化卷積」。

5.數(shù)據(jù)集的準(zhǔn)備

標(biāo)注收集到的圖片制作YOLO格式數(shù)據(jù)集

自己創(chuàng)建一個myself.yaml文件用來配置路徑，路徑格式與之前的V5、V6不同，只需要配置txt路徑就可以

train-list.txt和val-list.txt文件里存放的都是圖片的絕對路徑（也可以放入相對路徑）

如何獲取圖像的絕對路徑，腳本寫在下面了（也可以獲取相對路徑）

# From Mr. Dinosaurimport osdef listdir(path, list_name): # 傳入存儲的listfor file in os.listdir(path):file_path = os.path.join(path, file)if os.path.isdir(file_path):listdir(file_path, list_name)else:list_name.append(file_path)list_name = [] path = 'D:/PythonProject/data/' # 文件夾路徑 listdir(path, list_name) print(list_name)with open('./list.txt', 'w') as f: # 要存入的txtwrite = ''for i in list_name:write = write + str(i) + '\n'f.write(write)

6.訓(xùn)練過程

運(yùn)行train.py

train文件還是和V5一樣，為了方便，我將需要用到的文件放在了根目錄下

路徑修改完之后右擊運(yùn)行即可

經(jīng)過漫長的訓(xùn)練過程，YOLOv7相比YOLOv5訓(xùn)練更吃配置尤其是顯存，實(shí)測GPU 3080ti訓(xùn)練長達(dá)40小時以上，建議電腦顯存8G以下的謹(jǐn)慎嘗試，可能訓(xùn)練的過程低配置的電腦會出現(xiàn)藍(lán)屏等現(xiàn)象皆為顯卡過載，使用本文提供的訓(xùn)練好的權(quán)重進(jìn)行預(yù)測則不吃配置，CPU也能取得很好的預(yù)測結(jié)果且不會損傷電腦

附上本文實(shí)驗(yàn)設(shè)備配置

7.測試驗(yàn)證

下面放上對比圖：（上面V7，下面V5）

8.調(diào)查食物卡路里

參考：800種常用食物熱量表！科學(xué)吃飯 - 知乎 (zhihu.com)

9.項(xiàng)目展示

10.完整源碼&環(huán)境部署視頻教程&數(shù)據(jù)集&自定義UI界面:

11.參考文獻(xiàn):

---

【1】YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors

總結(jié)

以上是生活随笔為你收集整理的[YOLOv7]基于YOLOv7的食物卡路里检测系统(源码＆部署教程＆数据集)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。