基于OpenVINO工具套件简单实现YOLOv7预训练模型的部署

一、YOLOv7简介

官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。在5FPS到160FPS的范围内，无论是速度或是精度，YOLOv7都超过了目前已知的检测器，并且在GPU V100上进行测试， 精度为56.8% AP的模型可达到30 FPS（batch=1）以上的检测速率，与此同时，这是目前唯一一款在如此高精度下仍能超过30FPS的检测器。

论文链接：https://arxiv.org/abs/2207.02696

代码链接：https://github.com/WongKinYiu/yolov7

二、预训练模型准备

模型权重下载

可以从官方github仓库提供的链接中下载基于COCO数据集的YOLOv7预训练模型权重。

模型转换
可以从官方github仓库提供的链接中下载基于COCO数据集的YOLOv7预训练模型权重。

下载YOLOv7官方仓库：
$ git clone git@github.com:WongKinYiu/yolov7.git
$ cd yolov7/models
$ python export.py --weights yolov7.pt

三、模型部署

通过Netron工具打开yolov7.onnx文件后可以看到，官方提供的预训练模型的output部分包含三个特征层的预测结果，因此需要根据每一层的先验框（anchor）对输出数据进行调整后，再进行堆叠。

由于YOLOv7的模型前后处理基本和YOLOv5一致，大部分数据处理模块可以直接复用。话不多说直接上代码：

六、运行结果

运行python示例后，会在本地data目录下生成代bounding box以及label的图片，这里我们用到官方仓库中附带的马匹数据进行测试，具体结果如下：

运行代码
$ python YOLOV7.py -i horse.jpg -m yolov7.onnx

Github地址：

https://github.com/OpenVINO-dev-contest/YOLOv7_OpenVINO