目录
一准备:
1.githup上下载yolov7的源代码,并解压
2.我使用的是anaconda,如果你是用python解释器的也是如下:
解压好的文件用pycharm打开,找到request.txt这是yolo7要求的环境必须要安装包的名字及其版本和python的最低版本要求
我用conda单独创建一个虚拟环境来用于yolov7
conda create --name yolov7 python=3.9
activate yolov7 激活环境
在自己的虚拟环境中下载yolov7所需要的包
进入自己yolov7的工程目录下
使用pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple安装包
在githup搜索选择的yolov7工程文件下载,放入工程目录中,最好创建一个文件weights来专门存放模型文件
并使用下面的命令进行测试
python detect.py --weights ./weights/yolov7.pt --source 0
二、训练自己的模型:
1训练前准备:
创建下图的文件
dataset用于放置标注后的xml文件
images存放需要标注的数据集
labels存放训练好后产生的特征值
2数据标注
安装labelimg
pip install labelimg
输入lanelimg打开
按w进行标注
然后在dataset文件中就可以看到标注好的xml文件
接下来需要对标注好的数据进行预处理操作,首先在工程目录文件下新建split.py程序,具体如下所示
代码如下:
import os
import random
import argparse
parser = argparse.ArgumentParser()
parser.add_argument('--xml_path', default='data/dataset', type=str, help='input xml label path')
parser.add_argument('--txt_path', default='data/labels', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 1.0
train_percent = 0.8
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
for i in list_index:
name = total_xml[i][:-4] + '\n'
if i in trainval:
file_trainval.write(name)
if i in train:
file_train.write(name)
else:
file_val.write(name)
else:
file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()
运行该代码,得到txt文件
然后以同样的方式再创建xml_to_txt.py文件并运行,具体如下图所示:
代码如下 代码识别的种类需要自己更改,在class改成自己要训练的标签,我识别的是熊猫就是panda
"""
将xml文件装成txt文件
"""
import xml.etree.ElementTree as ET
from tqdm import tqdm
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ['panda'] # 这里改为你要训练的标签,否则会报错。比如你要识别“hand”,那这里就改为hand
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
def convert_annotation(image_id):
# try:
in_file = open('data/dataset/%s.xml' % (image_id), encoding='utf-8')
out_file = open('data/labels/%s.txt' % (image_id), 'w', encoding='utf-8')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " +
" ".join([str(a) for a in bb]) + '\n')
# except Exception as e:
# print(e, image_id)
wd = getcwd()
for image_set in sets:
if not os.path.exists('data/labels/'):
os.makedirs('data/labels/')
image_ids = open('data/labels/%s.txt' %
(image_set)).read().strip().split()
list_file = open('data/%s.txt' % (image_set), 'w')
for image_id in tqdm(image_ids):
list_file.write('data/images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()
运行该py文件
接下来在data文件夹中新建myvoc.yaml文件,具体操作以及代码如下图所示:
再修改cfg/training/yolov7.yaml中nc的80改成1
2训练自己的模型
python train.py --epoch 10 --batch 4 --data ./data/myvoc.yaml --cfg ./cfg/training/yolov7.yaml --weights ./weights/yolov7.pt --workers 0
等待训练就行
可以看到红框中的路径是模型文件的路径,建议复制到weights文件夹中(自己创建专门用来放置模型文件的)
三、模型测试
最后查看效果
python detect.py --weight ./weights/last.pt --source 0