Сделал небольшой рефакторинг одного проекта на Python.
Теперь вместо каши слева, более чистый и понятный код справа.

Сделал это путём разбития кода на подфайлы, утилиты и классы.
Также прописал универсальный интерфейс, благодаря чему реализации можно легко менять, главное соблюдать названия методов и ожидаемые аргументы.

Такие пироги 🥧

UPD: А еще я перекинул конфиги на TOML, и читаю их при помощи tomli.
Рекомендую.

Добрался наконец до сравнения Yolov8 vs Yolov7.
Меня интересовало два фактора, а именно точность и скорость инференса объектов.

Так вот, у 7й версии есть две основные модели, обычная YOLOv7 и чуть более жирная YOLOv7-X.
У 8й версии разнообразия в этом плане больше, тут для Object Detection есть nano, small, medium и т.п. модели.

Для сравнения я взял YOLOv7 и YOLOv8s.
Возможно логичнее было бы взять YOLOv8m, но роста в точности там не очень много, а вот падение в скорости - почти в два раза.

Итак, на одном и том же датасете и на одном и том же железе (RTX 2080ti), результаты скорости инференса в реальном времени вы можете наблюдать на скриншотах выше.

8 версия Yolo быстрее не только в инференсе, она еще и быстрее обучается.
На одном и том же датасете первая модель обучалась >10 часов, а вторая (yolov8s) обучалась в районе 3-4 часов.

Хотя это конечно не абсолютный показатель, и даже не усредненный.
Это лишь частный случай из моего конкретного use case 🌚

Такие пироги 🥧