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