基于yolov4作者最新力作yolov7目标检测模型实现火点烟雾检测

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。