YOLOv7训练自己的数据集

1、环境配置

1.1、本地环境配置

参考之前发的：YOLO本地环境配置

1.2、租用云服务器

例如：AutoDL等

2、数据集准备

数据集下载，格式转换。

3、源码下载

源码：YOLOv7下载

权重文件：yolov7.pt下载

4、训练

4.1、myyolov7.yaml

复制/cfg/deploy/yolov7.yaml，修改其中的类别信息

4.2、xxdatasets.yaml

创建data/xxdatasets.yaml文件，里面的路径，种类，名称改为自己数据集对应的

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: E:\for_test_proj\yolov5_ncnn\datasets\fire  # dataset root dir
train: images/train  # train images (relative to 'path')
val: images/val  # val images (relative to 'path')
test:  # test images (optional)

# Classes
nc: 1  # number of classes
names: ['fire']  # class names

4.3、train.py参数修改

    parser.add_argument('--weights', type=str, default='yolov7.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default='cfg/deploy/myyolov7.yaml', help='model.yaml path')
    parser.add_argument('--data', type=str, default='data/xxdatasets.yaml', help='data.yaml path')
    parser.add_argument('--epochs', type=int, default=300)
    parser.add_argument('--batch-size', type=int, default=8, help='total batch size for all GPUs')
    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')

参数：

--weights：指定预训练权重路径；

--cfg：模型配置文件

--data：数据集对应的yaml参数文件，里面主要存放数据集的类别和路径信息

--epochs：轮数，默认300

--batch-size：每次输出给神经网络的图片数（报错cuda out of memory时，可以调小此参数）

--resume：断点续训，可参考resume用法