Yolov7 环境搭建和训练自己的数据集

搭建虚拟环境

anaconda

        官网下载anaconda并安装

        创建虚拟环境并进入

常用conda命令

1 conda update conda      //升级conda
2 conda update anaconda     //升级anaconda
3 conda update anaconda-navigator    //update最新版本的anaconda-navigator

1 conda update -n base conda #update base环境下的最新版本的conda
2 conda create -n xxxx python=3.5 #创建python3.5的xxxx虚拟环境
3 conda activate xxxx #开启xxxx环境
4 conda deactivate #关闭环境
5 conda env list #显示所有的虚拟环境
6 conda info --envs #显示所有的虚拟环境

1 conda list #查看已经安装的文件包
2 conda list -n xxx #指定查看xxx虚拟环境下安装的package
3 conda update xxx #更新xxx文件包
4 conda uninstall xxx #卸载xxx文件包
5.conda remove -n xxxx --all //删除xxxx虚拟环境
 
1 conda clean -p //删除没有用的包
2 conda clean -t //tar打包
3 conda clean -y -all //删除所有的安装包及cache

1 conda create --name newname --clone oldname //克隆环境
2 conda remove --name oldname --all //彻底删除旧环境
 
问题
anaconda或conda不是内部命令
添加path环境变量

CUDA

查看cuda支持版本

nvidia-smi

进入cuda官网,下载对应版本

安装并添加path环境变量

pytorch

        进入pytorch官网，按照自身电脑配置选择版本命令

        在虚拟环境输入命令（此命令是对自建虚拟环境安装pytorch）

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

yolov7

        拉取github上的yolov7，下载权重文件，将requriment.txt里的torch环境都注释掉

        cd进入yolov7文件夹，开启终端，进入虚拟环境

pip install -r requriment.txt

        以上命令是安装所需软件包

预测

python dectect.py

结果在runs文件夹

训练

(官方的数据集)

python train.py

(自己的训练集)

可以下载想要的训练集或者自己制作，数据集命名一般不能有中文

import os

def delete_files_with_keyword(directory, keyword):
    """
    遍历指定目录下的所有文件，并删除文件名中包含特定关键词的文件。

    :param directory: 要遍历的目录路径
    :param keyword: 要删除的文件的关键词
    """
    # 遍历目录中的文件和文件夹
    for filename in os.listdir(directory):
        # 如果文件名中包含关键词
        if keyword in filename:
            # 构建文件的完整路径
            file_path = os.path.join(directory, filename)

            # 如果是文件（而不是文件夹），则删除
            if os.path.isfile(file_path):
                os.remove(file_path)
                print(f"Deleted file: {file_path}")
            else:
                print(f"Skipped directory: {file_path}")

# 使用示例
# 请确保替换为你的目标目录和关键词
delete_files_with_keyword("D:\yolov5-7.0\mydata", "副本")

如果自己制作，可以使用labelimg标注软件包（如何安装使用自行百度）

mydata下文件夹，只需要将照片存入images文件夹，xml文件存入xml文件夹

分类（实测v3、v4、v5也可用）

# -*- coding: utf-8 -*-

import os
import random
import argparse

parser = argparse.ArgumentParser()
# xml标签文件的地址
parser.add_argument('--xml_path', default='mydata\xml', type=str, help='input xml label path')
# 数据集的划分，地址选择自己数据下的dataSet，生成txt文件的目录
parser.add_argument('--txt_path', default='mydata\dataSet', type=str, help='output txt label path')
opt = parser.parse_args()

train_percent = 0.8  # 训练集所占比例
val_percent = 0.1    # 验证集所占比例
test_persent = 0.1   # 测试集所占比例

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 = list(range(num))

t_train = int(num * train_percent)
t_val = int(num * val_percent)

train = random.sample(list, t_train)
num1 = len(train)
for i in range(num1):
    list.remove(train[i])


val_test = [i for i in list if not i in train]
val = random.sample(val_test, t_val)
num2 = len(val)
for i in range(num2):
    list.remove(val[i])


file_train = open(txtsavepath + '/train.txt', 'w') 
file_val = open(txtsavepath + '/val.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')

for i in train:
    name = total_xml[i][:-4] + '\n'
    file_train.write(name)

for i in val:
    name = total_xml[i][:-4] + '\n'
    file_val.write(name)

for i in list:
    name = total_xml[i][:-4] + '\n'
    file_test.write(name)


file_train.close()
file_val.close()
file_test.close()

转换格式（实测v3、v4、v5也可用）

# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os

sets = ['train', 'val', 'test']  # 如果你的Main文件夹没有test.txt，就删掉'test'
classes = ["a", "b"]   # 改成自己的类别
abs_path = os.getcwd()


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):
    in_file = open(abs_path + '\mydata\VOC\%s.xml' % (image_id), encoding='UTF-8') #修改路径
    out_file = open(abs_path + '\mydata\label\%s.txt' % (image_id), 'w') #修改路径
    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
        # 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')


for image_set in sets:
    if not os.path.exists(abs_path + '\mydata\label'):  #修改路径
        os.makedirs(abs_path + '\mydata\label') #修改路径

    image_ids = open(abs_path + '\mydata\dataSet\%s.txt' % (image_set)).read().strip().split() #修改路径
    list_file = open(abs_path + '\mydata\%s.txt' % (image_set), 'w') #修改路径
    for image_id in image_ids:
        list_file.write(abs_path + '\mydata\images\%s.jpg\n' % (image_id))   #修改路径
        convert_annotation(image_id)
    list_file.close()

修改文件路径，linux和win格式不一样，注意/和\的区别

复制coco.yaml，修改为mycoco.yaml（什么命名都行）

修改train、val、test文件路径，修改nc，修改类别为你的数据集的类别

修改model/yolov7.yaml的nc为mycoco.yaml的nc

修改train.py文件

weights：yolov7.pt

data：mycoco.yaml

运行train.py

python train.py

结果在runs/train