官方 YOLOv7

论文实现 - YOLOv7：可训练的免费增强包为实时目标检测器树立了新的SOTA标杆

网页演示

• 集成到 Huggingface Spaces 🤗 中，使用 Gradio 实现。体验网页演示

性能

MS COCO

安装

Docker 环境（推荐）

# 创建 Docker 容器，如果内存充足，可以调整共享内存大小。
nvidia-docker run --name yolov7 -it -v your_coco_path/:/coco/ -v your_code_path/:/yolov7 --shm-size=64g nvcr.io/nvidia/pytorch:21.08-py3

# 安装所需软件包
apt update
apt install -y zip htop screen libgl1-mesa-glx

# 安装 Python 包
pip install seaborn thop

# 进入代码目录
cd /yolov7

测试

yolov7.pt yolov7x.pt yolov7-w6.pt yolov7-e6.pt yolov7-d6.pt yolov7-e6e.pt

python test.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.65 --device 0 --weights yolov7.pt --name yolov7_640_val

您将得到以下结果：

 平均精度 (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.51206
 平均精度 (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.69730
 平均精度 (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.55521
 平均精度 (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.35247
 平均精度 (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.55937
 平均精度 (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.66693
 平均召回率 (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.38453
 平均召回率 (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.63765
 平均召回率 (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.68772
 平均召回率 (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.53766
 平均召回率 (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.73549
 平均召回率 (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.83868

要评估准确率，请下载 用于 Pycocotools 的 COCO 标注文件 到 ./coco/annotations/instances_val2017.json。

训练

数据准备

bash scripts/get_coco.sh

• 下载 MS COCO 数据集图像（train, val, test）和 标签。如果您之前使用过其他版本的 YOLO，强烈建议您删除 train2017.cache 和 val2017.cache 文件，并重新下载 标签。

单 GPU 训练

# 训练 p5 模型
python train.py --workers 8 --device 0 --batch-size 32 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights '' --name yolov7 --hyp data/hyp.scratch.p5.yaml

# 训练 p6 模型
python train_aux.py --workers 8 --device 0 --batch-size 16 --data data/coco.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6.yaml --weights '' --name yolov7-w6 --hyp data/hyp.scratch.p6.yaml

多 GPU 训练

# 训练 p5 模型
python -m torch.distributed.launch --nproc_per_node 4 --master_port 9527 train.py --workers 8 --device 0,1,2,3 --sync-bn --batch-size 128 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights '' --name yolov7 --hyp data/hyp.scratch.p5.yaml

# 训练 p6 模型
python -m torch.distributed.launch --nproc_per_node 8 --master_port 9527 train_aux.py --workers 8 --device 0,1,2,3,4,5,6,7 --sync-bn --batch-size 128 --data data/coco.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6.yaml --weights '' --name yolov7-w6 --hyp data/hyp.scratch.p6.yaml

迁移学习

yolov7_training.pt yolov7x_training.pt yolov7-w6_training.pt yolov7-e6_training.pt yolov7-d6_training.pt yolov7-e6e_training.pt

单 GPU 微调自定义数据集

# 微调 p5 模型
python train.py --workers 8 --device 0 --batch-size 32 --data data/custom.yaml --img 640 640 --cfg cfg/training/yolov7-custom.yaml --weights 'yolov7_training.pt' --name yolov7-custom --hyp data/hyp.scratch.custom.yaml

# 微调 p6 模型
python train_aux.py --workers 8 --device 0 --batch-size 16 --data data/custom.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6-custom.yaml --weights 'yolov7-w6_training.pt' --name yolov7-w6-custom --hyp data/hyp.scratch.custom.yaml

重参数化

请参阅 reparameterization.ipynb

推理

在视频上：

python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source yourvideo.mp4

在图像上：

python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source inference/images/horses.jpg

导出

PyTorch 转 CoreML（并在 macOS/iOS 上推理）

PyTorch 转 ONNX 并带 NMS（并推理）

python export.py --weights yolov7-tiny.pt --grid --end2end --simplify \
        --topk-all 100 --iou-thres 0.65 --conf-thres 0.35 --img-size 640 640 --max-wh 640

PyTorch 转 TensorRT 并带 NMS（并推理）

wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7-tiny.pt
python export.py --weights yolov7-tiny.pt --grid --include-nms
git clone https://github.com/Linaom1214/tensorrt-python.git
python ./tensorrt-python/export.py -o yolov7-tiny.onnx -e yolov7-tiny-nms.trt -p fp16

# 或者使用 trtexec 将 ONNX 转换为 TensorRT 引擎
/usr/src/tensorrt/bin/trtexec --onnx=yolov7-tiny.onnx --saveEngine=yolov7-tiny-nms.trt --fp16

测试环境：Python 3.7.13，PyTorch 1.12.0+cu113

姿态估计

代码 yolov7-w6-pose.pt

请参阅 keypoint.ipynb。

实例分割（与 NTU 合作）

代码 yolov7-mask.pt

请参阅 instance.ipynb。

实例分割

代码 yolov7-seg.pt

YOLOv7 实例分割版本（YOLOR + YOLOv5 + YOLACT）

无锚点检测头

代码 yolov7-u6.pt

带有解耦 TAL 头的 YOLOv7（YOLOR + YOLOv5 + YOLOv6）

引用

@inproceedings{wang2023yolov7,
  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},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2023}
}

@article{wang2023designing,
  title={Designing Network Design Strategies Through Gradient Path Analysis},
  author={Wang, Chien-Yao and Liao, Hong-Yuan Mark and Yeh, I-Hau},
  journal={Journal of Information Science and Engineering},
  year={2023}
}

预告

YOLOv7-语义分割 & YOLOv7-全景分割 & YOLOv7-图像描述

YOLOv7-语义分割 & YOLOv7-目标检测 & YOLOv7-深度估计（与NTUT合作）

YOLOv7-3D目标检测 & YOLOv7-激光雷达点云处理 & YOLOv7-道路场景理解（与NTUT合作）

致谢

YOLOv7 快速上手指南

YOLOv7 是一款实时目标检测模型，通过引入“可训练的免费包”（Trainable bag-of-freebies）策略，在保持高速推理的同时刷新了 COCO 数据集上的精度记录。本指南将帮助你快速完成环境搭建、模型测试与自定义训练。

1. 环境准备

系统要求

• 操作系统: Linux (推荐 Ubuntu 18.04/20.04) 或 Windows (WSL2)
• GPU: 支持 CUDA 的 NVIDIA 显卡 (显存建议 8GB 以上，训练大模型需更大显存)
• Python: 3.7 - 3.9
• PyTorch: 1.12.0+ (配套 CUDA 11.3)

前置依赖

确保已安装 NVIDIA 驱动和 CUDA Toolkit。推荐使用 Docker 环境以避免依赖冲突。

2. 安装步骤

方案 A：Docker 环境（推荐）

使用官方提供的 PyTorch 镜像，一键配置所有依赖。

# 创建并启动容器 (请替换 your_coco_path 和 your_code_path 为本地实际路径)
nvidia-docker run --name yolov7 -it -v your_coco_path/:/coco/ -v your_code_path/:/yolov7 --shm-size=64g nvcr.io/nvidia/pytorch:21.08-py3

# 进入容器后安装额外依赖
apt update
apt install -y zip htop screen libgl1-mesa-glx
pip install seaborn thop

# 进入代码目录
cd /yolov7

方案 B：本地源码安装

如果你希望在本地环境中运行，请执行以下步骤：

# 克隆仓库
git clone https://github.com/WongKinYiu/yolov7.git
cd yolov7

# 安装 Python 依赖
pip install -r requirements.txt
# 若下载缓慢，可使用国内镜像源加速：
# pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装其他必要库
pip install seaborn thop

3. 基本使用

3.1 快速推理 (检测图片/视频)

下载预训练权重后，即可对图片或视频进行推理。

下载权重示例 (YOLOv7):

wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7.pt

检测图片:

python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source inference/images/horses.jpg

检测视频:

python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source yourvideo.mp4

结果将保存在 runs/detect/ 目录下。

3.2 模型测试 (验证精度)

在 COCO 验证集上测试模型性能（需先准备好 COCO 数据集）：

python test.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.65 --device 0 --weights yolov7.pt --name yolov7_640_val

3.3 开始训练

数据准备

下载 MS COCO 数据集及标签：

bash scripts/get_coco.sh

注：如果是自定义数据集，请参考 data/custom.yaml 格式配置数据路径。

单卡训练 (Single GPU)

训练标准 P5 模型 (输入尺寸 640):

python train.py --workers 8 --device 0 --batch-size 32 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights '' --name yolov7 --hyp data/hyp.scratch.p5.yaml

训练大尺寸 P6 模型 (输入尺寸 1280):

python train_aux.py --workers 8 --device 0 --batch-size 16 --data data/coco.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6.yaml --weights '' --name yolov7-w6 --hyp data/hyp.scratch.p6.yaml

多卡训练 (Multi-GPU)

以 4 卡训练为例：

python -m torch.distributed.launch --nproc_per_node 4 --master_port 9527 train.py --workers 8 --device 0,1,2,3 --sync-bn --batch-size 128 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights '' --name yolov7 --hyp data/hyp.scratch.p5.yaml

3.4 迁移学习 (微调自定义数据集)

使用预训练权重进行微调是提升自定义任务效果的最佳实践。

# 使用 yolov7_training.pt 进行微调
python train.py --workers 8 --device 0 --batch-size 32 --data data/custom.yaml --img 640 640 --cfg cfg/training/yolov7-custom.yaml --weights 'yolov7_training.pt' --name yolov7-custom --hyp data/hyp.scratch.custom.yaml

4. 模型导出 (部署)

支持导出为 ONNX、TensorRT 和 CoreML 格式以便在边缘设备或生产环境部署。

导出为 ONNX (带 NMS):

python export.py --weights yolov7-tiny.pt --grid --end2end --simplify \
        --topk-all 100 --iou-thres 0.65 --conf-thres 0.35 --img-size 640 640 --max-wh 640

导出为 TensorRT (FP16):

# 先导出 ONNX
python export.py --weights yolov7-tiny.pt --grid --include-nms
# 转换为 TRT Engine (需安装 tensorrt-python 或使用 trtexec)
python ./tensorrt-python/export.py -o yolov7-tiny.onnx -e yolov7-tiny-nms.trt -p fp16