YOLOv7学习笔记（一）——概述+环境+训练

一、环境安装测试

1、创建环境
    conda create -n yolo python=3.7
    conda activate yolo

2、安装pytorch
    conda install pytorch torchvision torchaudio pytorch-cuda=11.3 -c pytorch -c nvidia
    11.3为cuda版本号

3、克隆yolov5
    git clone https://github.com/WongKinYiu/yolov7  # clone
    cd yolov7
    pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt  
    //为了避免安装失误采用镜像安装https://pypi.tuna.tsinghua.edu.cn/simple

4、安装功能包
    sudo apt update
    sudo apt install -y zip htop screen libgl1-mesa-glx
    pip install seaborn thop
    pip install --upgrade protobuf
    pip install wandb

5、权重文件
    在官网下载yolov7.pt权重文件，放在文件夹weights下

二、测试

python detect.py --weights weights/yolov7.pt --conf 0.25 --img-size 640 --source inference/images/horses.jpg

成功！

三、训练

训练和yolov5步骤一样见其他笔记：YOLOV5学习笔记（七）——训练自己数据集
原文链接：https://blog.csdn.net/HUASHUDEYANJING/article/details/126045094

这里主要介绍一下训练参数

• --weights: 预权重路径
• -- cfg: 模型yaml文件路径
• --data: 数据集yaml文件路径
• --hpy: 训练中超参数配置路径，默认data/hpy.scratch.p5.yaml，比如学习率、动量参数、权重衰减、预热epoch等
• --epoch: 训练轮次
• --batch_size：batch大小
• --img-size: 网络输入图像大小
• --rect: rectangular training(就是不失真的resize图像训练)
• --resume: 重新开始最近的训练。
• --nosave: 设置为True后只保存最后一个epoch权重
• --notest: 设置为True后只测试最后一个epoch
• --noautoanchor: 设置为True，表示不自动聚类anchor
• --evolve：设置为True，超参数优化，可以选择自己的更有的超参数(但资源消耗也很厉害)，一般情况下用不到
• --bucket: 谷歌云盘bucket，一般也用不到
• --cach-images: 设置为True，提前缓存图像可用于加速训练
• --image-weights：加权图像选择进行训练。指对于那些训练不理想的图像，再下一次训练的时会增加一些权重，使其更关注这些困难样本
• --device: 设备选择，如果是GPU就输入GPU索引【如0，1，2..】，CPU训练就填cpu
• --multi-scale: 默认为False，是否采用多尺度训练
• --single-cls: 数据集是单类别还是多类别，默认False
• --adam: adam优化器,默认False(即采用随机梯度下降SGD)
• --sync-bn: 是否使用跨卡同步BN,在DDP模式使用，默认False
• --local_rank: DDP参数（不要改动）
• --workers:
• --label-smoothing：标签平滑，防止过拟合
• --upload_dataset：更新数据集，和wandb 库有关。也基本不用
• --bbox_interval：设置bbox log，也是和wandb有关，一般用不到
• --save_period：在每个保存周期的epoch后用于记录模型日志，默认为-1
• 线程数，根据自己的电脑设置
• --project: 训练模型保存的位置，默认为run/train
• --name: 保存项目名字，一般是run/train/exp
• --exist-ok：模型目录是否存在，不存在就创建
• --linear-lr: 对于学习率的调整，默认为False，开启后用余弦函数调整学习率
• --label-smoothing：标签平滑，防止过拟合
• --upload_dataset：更新数据集，和wandb 库有关。也基本不用
• --bbox_interval：设置bbox log，也是和wandb有关，一般用不到
• --save_period：在每个保存周期的epoch后用于记录模型日志，默认为-1

python train.py --workers 2 --device 0 --batch-size 16 --data data/uav.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights weights/yolov7.pt --epochs 100