0.写在最前
此篇文字针对yolov7-1.0版本。
最近粗略的看了一遍yolov7的论文，关于yolov7和其他yolo系列的对比，咱就不多说了，大佬们的文章很多很详细。关于opencv部署方面，其实yolov7和yolov5的初期版本（5.0以前的版本）很像，分为三个输出口，yolov5-6.0之后的版本合并了三个输出口变成一个output输出【需要注意的是，虽然yolov可以在export的时候加上--grid参数将detect层加入之后变成和yolov5最新版本的输出一致（可以不用改yolov5代码直接跑yolov7的那种一致,当然，anchors数据还是得改的），但是我试过了，opencv包括onnxruntime推理加grid参数的onnx模型都有问题，暂时我也在探索一种适用于所有yolov7版本的修改方案，但是改了几种都是适用某几个模型，其他模型挂掉的情况】。使用Netron打开两个模型对比下很明显，数据格式也和yolo的一致。所以基本上可以和yolov5的代码通用。只不过具体使用的时候还是有一点区别的。另外，yolov7目前可以直接通过其自身带的export.py导出onnx模型，并不需要像yolov5早期的代码修改。
一.yolov5代码修改适用yolov7
1.归一化框的读取类似yolov5的早期版本
上面说过，yolov7和yolov5的不同，实际上应该是一致的才对（实际上，如果yolov7导出的时候加上--grid参数，结果就和yolov5目前的版本一毛一样，但是加上之后opencv推理onnx的时候会报错，目前yolov7暂时未修复该bug，所以下面的yolov7代码导出的时候不要加--grid参数）。我没仔细debug，所以我们需要根据下面的红色框中的内容对网络的归一化anchors框进行变换变成正常的像素位置。也就是像yolov5之前古老的版本没优化之前一样（这就是我上面说的和yolov5-5.0以前的版本类似的原因）。可以看第三篇的代码中的读取归一化框的方式获取原始图像位置。
2.anchors数据不同
对比下两者的anchors数据，可以看到两个的anchors不一致了，修改这部分内容即可。
所以综上所诉，对于yolov5-6.0的代码，修改一些地方即可马上应用到yolov7上面，可以说很方便了。
具体修改有两处，一处是anchors，另外一处是推理程序，修改之后的链接我放最下面了，其实就是在第四篇的基础上面修改下：GitHub - UNeedCryDear/yolov5-opencv-dnn-cpp: 使用opencv模块部署yolov5-6.0版本
//yolo.h中改下anchors
const float netAnchors[3][6] = { {12, 16, 19, 36, 40, 28},{36, 75, 76, 55, 72, 146},{142, 110, 192, 243, 459, 401} }; //yolov7-P5 anchors
//yolo.cpp中推理代码修改
bool Yolo::Detect(Mat& SrcImg, Net& net, vector<Output>& output) {
Mat blob;
int col = SrcImg.cols;
int row = SrcImg.rows;
int maxLen = MAX(col, row);
Mat netInputImg = SrcImg.clone();
if (maxLen > 1.2 * col || maxLen > 1.2 * row) {
Mat resizeImg = Mat::zeros(maxLen, maxLen, CV_8UC3);
SrcImg.copyTo(resizeImg(Rect(0, 0, col, row)));
netInputImg = resizeImg;
}
vector<Ptr<Layer> > layer;
vector<string> layer_names;
layer_names= net.getLayerNames();
blobFromImage(netInputImg, blob, 1 / 255.0, cv::Size(netWidth, netHeight), cv::Scalar(0, 0, 0), true, false);
//如果在其他设置没有问题的情况下但是结果偏差很大，可以尝试下用下面两句语句
//blobFromImage(netInputImg, blob, 1 / 255.0, cv::Size(netWidth, netHeight), cv::Scalar(104, 117, 123), true, false);
//blobFromImage(netInputImg, blob, 1 / 255.0, cv::Size(netWidth, netHeight), cv::Scalar(114, 114,114), true, false);
net.setInput(blob);
std::vector<cv::Mat> netOutputImg;
net.forward(netOutputImg, net.getUnconnectedOutLayersNames());
std::vector<int> classIds;//结果id数组
std::vector<float> confidences;//结果每个id对应置信度数组
std::vector<cv::Rect> boxes;//每个id矩形框
float ratio_h = (float)netInputImg.rows / netHeight;
float ratio_w = (float)netInputImg.cols / netWidth;
int net_width = className.size() + 5; //输出的网络宽度是类别数+5
for (int stride = 0; stride < strideSize; stride++) { //stride
float* pdata = (float*)netOutputImg[stride].data;
int grid_x = (int)(netWidth / netStride[stride]);
int grid_y = (int)(netHeight / netStride[stride]);
for (int anchor = 0; anchor < 3; anchor++) { //anchors
const float anchor_w = netAnchors[stride][anchor * 2];
const float anchor_h = netAnchors[stride][anchor * 2 + 1];
for (int i = 0; i < grid_y; i++) {
for (int j = 0; j < grid_x; j++) {
float box_score = sigmoid_x(pdata[4]); ;//获取每一行的box框中含有某个物体的概率
if (box_score >= boxThreshold) {
cv::Mat scores(1, className.size(), CV_32FC1, pdata + 5);
Point classIdPoint;
double max_class_socre;
minMaxLoc(scores, 0, &max_class_socre, 0, &classIdPoint);
max_class_socre = sigmoid_x(max_class_socre);
if (max_class_socre >= classThreshold) {
float x = (sigmoid_x(pdata[0]) * 2.f - 0.5f + j) * netStride[stride]; //x
float y = (sigmoid_x(pdata[1]) * 2.f - 0.5f + i) * netStride[stride]; //y
float w = powf(sigmoid_x(pdata[2]) * 2.f, 2.f) * anchor_w; //w
float h = powf(sigmoid_x(pdata[3]) * 2.f, 2.f) * anchor_h; //h
int left = (int)(x - 0.5 * w) * ratio_w + 0.5;
int top = (int)(y - 0.5 * h) * ratio_h + 0.5;
classIds.push_back(classIdPoint.x);
confidences.push_back(max_class_socre * box_score);
boxes.push_back(Rect(left, top, int(w * ratio_w), int(h * ratio_h)));
}
}
pdata += net_width;//下一行
}
}
}
}
//执行非最大抑制以消除具有较低置信度的冗余重叠框（NMS）
vector<int> nms_result;
NMSBoxes(boxes, confidences, nmsScoreThreshold, nmsThreshold, nms_result);
for (int i = 0; i < nms_result.size(); i++) {
int idx = nms_result[i];
Output result;
result.id = classIds[idx];
result.confidence = confidences[idx];
result.box = boxes[idx];
output.push_back(result);
}
if (output.size())
return true;
else
return false;
}二、yolov7一些模型转换的问题
评论区有些小伙伴反馈yolov7-d6模型在opencv4.5.1下面会报错，报错信息类似之前读取早期的yolov5的报错一致。
OpenCV(4.5.0) Error: Unspecified error (> Node [Slice]:(341) parse error: OpenCV(4.5.0) D:\opencv\ocv4.5.0\sources\modules\dnn\src\onnx\onnx_importer.cpp:697: error: (-2:Unspecified error) in function 'void __cdecl cv::dnn::dnn4_v20200908::ONNXImporter::handleNode(const class opencv_onnx::NodeProto &)' Slice layer only supports steps = 1 (expected: 'countNonZero(step_blob != 1) == 0'), where 'countNonZero(step_blob != 1)' is 1 must be equal to '0' is 0 in cv::dnn::dnn4_v20200908::ONNXImporter::handleNode, file D:\opencv\ocv4.5.0\sources\modules\dnn\src\onnx\onnx_importer.cpp, line 1797经过对比yolov7和yolov7-d6的yaml文件，发现是由于yolov7-d6中使用了ReOrg模块引起的报错，也就是步长为2的切片，像我这个系列中第一篇的问题一样。
这个模块有点类似早期的yolov5的Facos模块，需要将ReOrg模块修改成下面的代码。 在models/common.py里面搜索下ReOrg，改成一下代码之后重新导出onnx模型即可正确读取。
class ReOrg(nn.Module):
def __init__(self):
super(ReOrg, self).__init__()
def forward(self, x): # x(b,c,w,h) -> y(b,4c,w/2,h/2)
#origin code
# return torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1)
self.concat=Contract(gain=2)
return self.concat(x)最后贴个yolov7和yolov5的对比图，可以看到yolov7提升还是蛮明显的，结果的置信度高了一些，后面的自行车也检测出来了，就是领带这里误检了。
贴合github链接，里面包括了yolov7和yolov5，通过宏定义来控制：
