YOLOv7部署于自定义数据集（BDD100K）

已于 2022-07-24 11:21:03 修改
阅读量2.5k 收藏 16
点赞数 4
文章标签： python pytorch 深度学习 人工智能 自动驾驶
于 2022-07-24 11:19:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/AndrewGuo0930/article/details/125956936
版权

YOLOv7

代码链接

WongKinYiu/yolov7 - GitHub

环境配置

  1. 创建新的虚拟环境，避免与其余框架（如openmmlab）冲突。经过长时间等待后激活新环境。
conda create -n yolov7 python=3.7 -y
conda activate yolov7
  1. 原requirements.txt中默认会下载PyTorch 1.12.0以及torchvision 0.13.0，与CUDA 10.1不匹配，因此需要在其中将以下两行注释掉。
requests>=2.23.0
scipy>=1.4.1
#torch>=1.7.0,!=1.12.0
#torchvision>=0.8.1,!=0.13.0
tqdm>=4.41.0
  1. 首先安装PyTorch和torchvision，由于CUDA版本为10.1，因此选择以下命令进行安装，版本匹配关系可查阅Previous PyTorch Versions | PyTorch。
conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=10.1
  1. 接着安装剩余的requirements。
pip install -r requirements.txt
  1. 验证环境配置是否成功，可以在一张图片上进行推理看看可视化结果。首先需要下载权重yolov7.pt至本地，避免运行途中下载出现网络问题。README.md中附有预训练权重的下载地址。
mkdir weights
cd weights
wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7.pt
  1. 运行如下脚本在某张图片上进行推理，得到的可视化结果保存在runs/detect中。
python detect.py --weights weights/yolov7.pt --conf 0.25 --img-size 640 --source data/bdd100k/images/val/b1c66a42-6f7d68ca/b1c66a42-6f7d68ca-0000001.jpg
  1. 若runs/detect中能看见可视化结果，说明环境配置工作完成，可以开展进一步工作。
    YOLOv7 - BDD100K

自定义数据集处理

  1. 首先需要将数据集转为YOLO格式，可使用alexmihalyk23/COCO2YOLO - GitHub进行，不过需要注意的是直接运用该脚本转换后，类别编号会从0开始而不是1，但此处不可以修改，因为YOLO类别编号从0开始。
  2. 在data中，需要编写新的yaml文件，对于bdd100k数据集有data/bdd100k.yaml
# BDD100K dataset https://www.bdd100k.com/

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ./data/bdd100k/images/train/
val: ./data/bdd100k/images/val/
test: ./data/bdd100k/images/test/

# number of classes
nc: 8

# class names
names: ['pedestrian', 'rider', 'car', 'truck', 'bus', 'train', 'motorcycle', 'bicycle']
  1. 自定义cfg/training/yolov7_bdd100k.yaml
# parameters
nc: 8  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple

# anchors
anchors:
  - [12,16, 19,36, 40,28]  # P3/8
  - [36,75, 76,55, 72,146]  # P4/16
  - [142,110, 192,243, 459,401]  # P5/32

# yolov7 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [32, 3, 1]],  # 0
  
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2      
   [-1, 1, Conv, [64, 3, 1]],
   
   [-1, 1, Conv, [128, 3, 2]],  # 3-P2/4  
   [-1, 1, Conv, [64, 1, 1]],
   [-2, 1, Conv, [64, 1, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]],  # 11
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [128, 1, 1]],
   [-3, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 16-P3/8  
   [-1, 1, Conv, [128, 1, 1]],
   [-2, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1]],  # 24
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [256, 1, 1]],
   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 29-P4/16  
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [1024, 1, 1]],  # 37
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [512, 1, 1]],
   [-3, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 42-P5/32  
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [1024, 1, 1]],  # 50
  ]

# yolov7 head
head:
  [[-1, 1, SPPCSPC, [512]], # 51
  
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [37, 1, Conv, [256, 1, 1]], # route backbone P4
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]], # 63
   
   [-1, 1, Conv, [128, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [24, 1, Conv, [128, 1, 1]], # route backbone P3
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [128, 1, 1]],
   [-2, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1]], # 75
      
   [-1, 1, MP, []],
   [-1, 1, Conv, [128, 1, 1]],
   [-3, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 2]],
   [[-1, -3, 63], 1, Concat, [1]],
   
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]], # 88
      
   [-1, 1, MP, []],
   [-1, 1, Conv, [256, 1, 1]],
   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, -3, 51], 1, Concat, [1]],
   
   [-1, 1, Conv, [512, 1, 1]],
   [-2, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1]], # 101
   
   [75, 1, RepConv, [256, 3, 1]],
   [88, 1, RepConv, [512, 3, 1]],
   [101, 1, RepConv, [1024, 3, 1]],

   [[102,103,104], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5)
  ]
  1. 自定义超参数data/hyp.bdd100k.yaml
lr0: 0.01  # initial learning rate (SGD=1E-2, Adam=1E-3)
lrf: 0.1  # final OneCycleLR learning rate (lr0 * lrf)
momentum: 0.937  # SGD momentum/Adam beta1
weight_decay: 0.0005  # optimizer weight decay 5e-4
warmup_epochs: 3.0  # warmup epochs (fractions ok)
warmup_momentum: 0.8  # warmup initial momentum
warmup_bias_lr: 0.1  # warmup initial bias lr
box: 0.05  # box loss gain
cls: 0.3  # cls loss gain
cls_pw: 1.0  # cls BCELoss positive_weight
obj: 0.7  # obj loss gain (scale with pixels)
obj_pw: 1.0  # obj BCELoss positive_weight
iou_t: 0.20  # IoU training threshold
anchor_t: 4.0  # anchor-multiple threshold
fl_gamma: 0.0  # focal loss gamma (efficientDet default gamma=1.5)
hsv_h: 0.015  # image HSV-Hue augmentation (fraction)
hsv_s: 0.7  # image HSV-Saturation augmentation (fraction)
hsv_v: 0.4  # image HSV-Value augmentation (fraction)
degrees: 0.0  # image rotation (+/- deg)
translate: 0.2  # image translation (+/- fraction)
scale: 0.5  # image scale (+/- gain)
shear: 0.0  # image shear (+/- deg)
perspective: 0.0  # image perspective (+/- fraction), range 0-0.001
flipud: 0.0  # image flip up-down (probability)
fliplr: 0.5  # image flip left-right (probability)
mosaic: 1.0  # image mosaic (probability)
mixup: 0.0  # image mixup (probability)
copy_paste: 0.0  # image copy paste (probability)
paste_in: 0.0  # image copy paste (probability)

训练

训练时运行如下指令，下面代码展示的是双卡训练，其中bs、epochs等参数，以及hyp.bdd100k.yaml内的超参数均可以自行调整。

python -m torch.distributed.launch \
    --nproc_per_node 2 \
    --master_port 25000 \
    train.py \
    --workers 1 \
    --device 0,1 \
    --sync-bn \
    --batch-size 2 \
    --data data/bdd100k.yaml \
    --img 640 640 \
    --cfg cfg/training/yolov7_bdd100k.yaml \
    --weights '' \
    --name bdd100k \
    --hyp data/hyp.bdd100k.yaml \
    --epochs 12

测试

训练得到权重文件后，可运行如下指令进行测试，其中权重文件的位置需自行指定，可视化结果会保存至runs/test文件夹中。下图为部分可视化结果。

python test.py --data data/bdd100k.yaml --img 640 --batch 1 --conf 0.001 --iou 0.65 --device 0 --weights runs/train/bdd100k/weights/best.pt --name yolov7_bdd100k

PR_curve
confusion_matrix

凉拌西瓜炒鸡腿
关注
  • 4
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
YOLOv7在BDD100K数据集多种天气场景实验
08-13
1. 使用YOLOv7在BDD100K数据集上的实验，包含可直接运行的代码，代码文件功能说明，代码运行说明； 2. 包含非常充分地实验结果，精确度曲线，召回率曲线，AP曲线，P-R曲线，IoU，MAP等； 3. 同时提供许多实验图片和视频，非常充分地目标检测前后对比图片，和目标检测前后地对比视频； 4. 还包括一份25页的报告书，可以直接用作课设等，其中包含嵌入对比视频，双击即可自行播放； 5. 实验结果视频包含雪天，夜间，强光等场景下的对比，也可以自己运行代码生成。
使用YOLOV7训练BDD100K数据集（数据格式转化+训练全流程）
weixin_52514564的博客
04-01 4421
使用YOLOV7训练BDD100K数据集（数据格式转化+训练全流程）
Ubuntu20.04 下载yolov7记录
最新发布
2401_82750227的博客
04-14 188
将yolov7.pt文件夹放在yolov7-main中。3.将yolov7-main解压到主文件夹下。4.修改requirements.txt。①下载yolov7-main.zip。打开train.py可以查看主函数。5.尝试一下开启摄像头识别。2.GitHub网站下载。②下载yolov7.pt。1.建立并进入虚拟环境。修改后终端输入第一行。
yolov7训练BDD100k自动驾驶环境感知2D框检测模型
qq_37214693的博客
09-05 3629
近日，伯克利AI实验室发表了CV领域到目前为止规模最大、最多样化的开源视频数据集–BDD100K数据集。该数据集由100000个视频组成，每个视频大约40秒，720P，30fps，总时间超过1,100小时，视频序列还包括GPS位置、IMU数据和时间戳；视频带有由手机记录的GPS/IMU信息，以显示粗略的驾驶轨迹，这些视频分别是从美国不同的地方收集的，如上图所示，该数据库，涵盖了不同的天气状况，包含晴天、阴天和雨天以及在白天和夜天的不同时间。
YOLOv7
07-21 4670
环境widnows 10 64bittorch 1.7.1+cu101前言近日，原 YOLOv3/YOLOv4/Scaled-YOLOv4 的团队推出了 YOLOv7，源码地址：https://github.com/WongKinYiu/yolov7，同样是基于 pytorch 框架，对应的论文地址：YOLOv7: Trainable bag-of-freebies se...
2_数据集的下载与整理——基于YOLOv7的跌倒检测
weixin_41898204的博客
04-07 1252
数据集中的图像记录在5个不同的房间中，由8个不同的视角组成。我们使用了2个参与者的图像:32岁的男性和28岁的女性，总共16794张图像用于训练，3299张图像用于验证，其中包含一个来自训练集的32岁男性参与者，但与训练和测试集的房间不同。同样，测试集包含3名参与者的图像，其中2名女性参与者的年龄为19岁和40岁，1名男性参与者的年龄为50岁。这总共22636张图像是按顺序排列的，但在序列中的任何地方都没有重复，所有集合都有原始的和其水平翻转的图像按顺序添加，以增加集合中的图像数量。
yolov5训练bdd100k自动驾驶数据集模型文件
05-29
yolov5s.pt训练了5000张图片，80个epoch yolov5n.pt训练了6000张图片，120个epoch yolov5n.engine 可用于tensorrt加速
BDD100K-实例分割数据集
06-13
BDD100K-实例分割数据集 数据集介绍 背景： 现有的驾驶数据集在视觉内容和支持的任务方面不足，无法研究自动驾驶的多任务学习。研究人员通常被限制在一个数据集上研究一小组问题，而现实世界的计算机视觉应用程序...
驾驶视频数据集 BDD100K
10-21
驾驶视频数据集 BDD100K，包含 10 万个视频和 10 个任务，以评估图像识别算法在自动驾驶方面的令人兴奋的进展。该数据集具有地理、环境和天气多样性。
BDD100K数据集，包含所有的训练集和测试集，以及darknet文件，可以直接训练
06-25
BDD100K数据集，包含所有的训练集和测试集，以及darknet文件，可以直接训练
YOLOV7训练数据集（pycharm）
zhuanzhuxuexi的博客
08-01 1622
一个是yolov7-mydataset.yaml,位置在项目yolov7/cfg/training下，然后复制yolov7.yaml，粘贴改为yolov7-mydataset.yaml，然后修改类别数，就得到一个新的属于自己的配置文件。--cfg : 参数路径(./cfg/training中新建的yolov7-mydataset.yaml文件)--device : 训练设备，cpu-->用cpu训练，0-->用GPU训练，0,1,2,3-->用多核GPU训练。
YOLOv7智能小车检测+检测权重+数据集
03-25
1、YOLOv7智能小车检测，检测模型已经训练好，包含以及PR曲线，loss曲线等等 2、并附有数据集，使用lableimg软件标注软件标注好的钢材缺陷检测数据，图片格式为jpg，标签有两种，分别为xml格式和txt格式，分别保存在两个文件夹中， 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743
基于YOLOv7训练自己数据集源码+voc转yolo脚本.rar
04-14
1、资源内容：基于YOLOv7训练自己数据集源码+voc转yolo脚本.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、更多仿真源码和数据集下载列表（自行寻找自己需要的）：https://blog.csdn.net/m0_62143653?type=download 4、免责声明：本资源作为“参考资料”而不是“定制需求”不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。
YOLOv7训练自己的数据集(txt文件，笔记）
weixin_44361377的博客
04-26 2815
（需增加或减少数据集种类，只需修改classes列表、if语句部分，以及print部分；对应文件夹目录也需修改）根据自己数据集情况，修改数据集文件路径、数据集种类、标签名。注意权重文件路径、yaml文件路径。
YOLOV7训练自己数据集（最新超详细版）
m0_60985598的博客
06-23 2040
YOLOV7训练自己的数据集，简单易懂
YOLOv7训练自己的数据集
Tony_Starky的博客
07-20 1237
YOLOv7，跑自己的数据集试一试吧！
YOLOV7训练自己的数据集
weixin_57111012的博客
11-03 322
其次，还需要配置--cfg，这里存放的是模型的参数文件，这里尽量要写的完整，接下来--data则为我们自己配置好的数据集的信息yaml文件路径，然后一些其他的就不赘述了，如果显存不够，可以把batchsize改小，最小为2，尽量不要为1，如果还是跑不动，可以把图像尺寸也改小，但是由于YOLOv7的最大下采样倍数是32，因此图像尺寸要是32的整数倍。依次运行后，data1文件夹下的格式便有了变化，其中新生成的images是划分后的图片，labels则是划分后并转换好的标签文件。2：对转换好的数据集进行划分。
初学YOLOv7
m0_46080475的博客
08-13 550
第一次学习记录
YOLOv7训练自己的数据集(超详细）
热门推荐
恐龙先生的博客
07-13 1万+
官方版本的YOLOv7训练自己的数据集
使用yolov7训练BDD100K数据集
10-15
好的，关于使用 YOLOv7 训练 BDD100K 数据集，你需要先下载 BDD100K 数据集，并将其转换为 YOLOv7 所需的格式。具体步骤如下： 1. 下载 BDD100K 数据集：可以从官网下载，也可以使用以下命令行下载： ``` wget https://bdd-data.berkeley.edu/2.0.0/bdd100k_images.zip wget https://bdd-data.berkeley.edu/2.0.0/bdd100k_labels.zip ``` 2. 将数据集转换为 YOLOv7 所需的格式：可以使用以下命令行进行转换： ``` python3 bdd100k_label_transform.py ``` 这个脚本会将 BDD100K 数据集转换为 YOLOv7 所需的格式，并将结果保存在 `./data/bdd100k` 目录下。 3. 下载 YOLOv7 源代码：可以从 GitHub 上下载，也可以使用以下命令行下载： ``` git clone https://github.com/WongKinYiu/yolov7.git ``` 4. 安装依赖项：可以使用以下命令行安装依赖项： ``` pip install -r requirements.txt ``` 5. 训练模型：可以使用以下命令行进行训练： ``` python3 train.py --data data/bdd100k.yaml --cfg models/yolov7.yaml --weights weights/yolov7.pt ``` 这个命令会使用 BDD100K 数据集训练 YOLOv7 模型，并将结果保存在 `./runs/train/exp` 目录下。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值