打假Yolov7的精度，不是所有的论文都是真实可信

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜ComputerVisionGzq

学习群｜扫码在主页获取加入方式

计算机视觉研究院专栏

作者：Edison_G

最近我们分享了Yolov6和Yolov7两个新框架，但是好多同学希望我们真正的对代码进行详细解读，今天“计算机视觉研究院”就先对Yolov7的性能做一次真实实验对比。

之前“计算机视觉研究院”分享了yolo系列的最新两个版本：

Yolov7：最新最快的实时检测框架，最详细分析解释（附源代码）

劲爆！YOLOv6又快又准的目标检测框架开源啦（附源代码下载）

Rep-PAN 结构图

今天我们基于Yolov7的开源代码，实现了其论文中的一些实验。

在MS COCO的数据集上结果如下：

首先在coco验证集上，验证官方提供的yolov7.pt，其实用的是L版本（类似YOLOv5-L，YOLOX-L，PPYOLOE-L），结果如下：

Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.51206
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.69730
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.55521
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.35247
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.55937
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.66693
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.38453
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.63765
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.68772
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.53766
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.73549
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.83868

注：以下改动需要bs=1去验证:

python3.7 test.py --data data/coco.yaml --img 640 --batch 1 --conf 0.001 --iou 0.65 --device 0 --weights yolov7.pt --name yolov7_640_val

• 改数据预处理letterbox的auto=True，因为实际预测都是固定尺寸，也只能到640尺寸

通过上面的结果很明显可以看到mAP为50.8，掉了0.4。

• eval的时候NMS是有trick的，multi_label表示一个框是否可以赋予两个类别，但是我们实际部署的时候就是一个框对应一个类别，所以再把multi_label设为False

测试结果好像又掉了0.2....

这种YOLO系列测速都是没有比对nms的耗时的，所以为了精度可以对nms大作文章。进nms前的max_nm设置到了30000，实际部署的时候，进入nms的Tensor如果很大会很耗时，一般都不会设置到这么大，1000足够了，改max_nms=1000。同时还有max_det=300表示每张图最多几个框，真的有必要300这么多吗? cocoapi评测工具虽然是max_det=100，但是改300真的也会涨点。

max_nms=30000，max_det=300这种操作不仅eval过程变慢，生成json的时候更慢，而且如果是训练早期还没训的很好的时候去eval，肯定会很慢。

为什么边训边eval的时候感觉很快？
原因：边训边eval和单独拿权重去eval，从数据处理到评测工具都走的不是一套逻辑！

再加改max_nms从30000到1000，mAP虽然没掉，但recall下降：

再加改max_det从300到100，mAP又掉了0.1：

按照上面的3点操作后，X版本mAP只有52.1了，掉了0.8个点。

python3.7 test.py --data data/coco.yaml --img 640 --batch 1 --conf 0.001 --iou 0.65 --device 3 --weights yolov7x.pt --name yolov7_640_val

但是实际对比yolov7和yolov6，结果确实会有一些质的提升。

Yolov7

Yolov6

先恭喜2022LPL夏季赛常规赛焦点战，RNG 2-1翻盘击败EDG，拿下LPL德比大战的胜利。

© THE END 

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

我们开创“计算机视觉协会”知识星球两年有余，也得到很多同学的认可，最近我们又开启了知识星球的运营。我们定时会推送实践型内容与大家分享，在星球里的同学可以随时提问，随时提需求，我们都会及时给予回复及给出对应的答复。

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架，我们这次改革不同点就是，我们要着重”研究“。之后我们会针对相应领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

VX：2311123606

往期推荐 

🔗

• Yolov7：最新最快的实时检测框架，最详细分析解释（附源代码）

• SSD7 | 对嵌入式友好的目标检测网络，产品落地

• 人脸技术：不清楚人照片修复成高质量高清晰图像框架（附源代码下载）

• “目标检测”+“视觉理解”实现对输入图像的理解及翻译（附源代码）

• 目标检测 | 基于统计自适应线性回归的目标尺寸预测
  

• 精度提升方法：自适应Tokens的高效视觉Transformer框架（已开源）
  

• ONNX 浅析：如何加速深度学习算法工程化？

• 劲爆！YOLOv6又快又准的目标检测框架开源啦（附源代码下载）

• FastestDet：比yolov5更快！更强！全新设计的超实时Anchor-free目标检测算法（附源代码下载）
  

• 目前精度最高效率最快存储最小的目标检测模型（附源码下载）