本文用于学习记录
前言
YOLOv7 实现目标检测，环境配置参考 YOLO v5 实现目标检测
一、YOLOv7 项目下载实现
1.1 YOLOv7 项目下载
- 下载源码，并保存至本地，将本地的 yolov7 项目解压至 Pycharm 特定的 Project 项目中并导入，进入 File 下的 Settings 进行 python 解释器设置
1.2 添加 Python interpreter
- 选择 Settings 中的 Project yolov7-main 下的 Python interpreter，
1.3 直接运行 detect.py
- 直接运行 detect.py，会出现以下报错：
- 解决方法：
- 下载权重文件放在主目录下，即 yolov7-main 文件夹下，这里选的是 yolov7.pt，重新运行，运行结果保存到 runs\detect\exp2 中；
1.4 检测摄像头
- 开启摄像头检测，将代码改成 default=‘0’，便可开启自带摄像头
- 将代码改成 default=‘1’，便可开启 USB 摄像头，进行动态的实时检测
1.5 连接手机摄像头
需确保手机和电脑在同一局域网下（即连接的是同一个 WIFI）
-
下载 IP 摄像头 Lite
-
点击打开 IP 摄像头 Lite
-
点击打开 IP 摄像头服务器
# 修改 detect.py 代码，运行即可 parser.add_argument('--source', type=str, default='http://admin:admin@172.16.20.120:8081', help='file/dir/URL/glob/screen/0(webcam)')
-
报错原因：上述修改未加上用户名和密码 admin：admin@
二、自制数据集训练模型
2.1 运行 train.py
2.2 数据集图片和标签
- 新建文件夹 train_data，在该文件夹下新建 images、labels 两个文件夹
- 分别在这里两个文件夹下新建 train 文件夹
- 将采集的图片（采用手机拍照或者走网上搜索你所需要的数据集）放入 train_data/images/train 文件夹，此时 train_dat/labels/train 文件夹是空的
2.3 yaml 文件修改
- 新建 cat.yaml ，并对其内容进行修改；
2.4 修改并运行 train.py
with open(opt.data, encoding='utf-8') as f:
三、v5、v7、v8的训练结果 result
- 参考【YOLO系列result中的map、loss、pr、F1绘图】根据v5、v8、v7训练后生成的result文件用matplotlib进行绘图
- v5、v8 都是 csv 格式的，v7 是 txt 格式的
3.1 v5 与 v8 的 result.csv 含义相同
- YOLOv5
- YOLOv8
3.2 YOLOv7 的 result.txt
0/2 3.3G 0.05079 0.01787 0.01426 0.08291 16 640 0.02997 0.1136 0.01745 0.003438 0.07951 0.02253 0.01505
训练轮数 GPU消耗 train/box_loss train/obj_loss train/cls_loss train/total_loss 本轮中数据中目标数量 输入图片大小 P R mAP@.5 mAP@.5:.95 val/Box_loss val/obj_loss val/cls_loss
3.3 map、loss绘图
- plt.savefig(“mAP50.png”, dpi=600) # dpi 可设为300/600/900，表示存为更高清的矢量图
- data = pd.read_csv(res_path, usecols=[6]).values.ravel() 表示读取 csv 文件后，只取下标为6的一列的值 values，并将值 ravel() 展平为一维数组（如果想要绘制 result.csv/result.txt 中的其他值，直接改为对应的下标即可。例如想要绘制 train/box_loss，则绘制 map50 中的6改为1，10改为2）
- plt.plot(x, data, label=modelname, linewidth=‘1’) # 线条粗细设为1
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
if __name__ == '__main__':
# 列出待获取数据内容的文件位置
# v5、v8都是csv格式的，v7是txt格式的
result_dict = {
'YOLOv5m': r'D:\yolov7-main\results.csv',
'YOLOv7': r'D:\yolov7-main\results1.csv',
'YOLOv7-tiny': r'D:\yolov7-main\results2.csv',
'YOLOv7s': r'D:\yolov7-main\runs\train\exp2\results.txt'
}
# 绘制map50
for modelname in result_dict:
res_path = result_dict[modelname]
ext = res_path.split('.')[-1]
if ext == 'csv':
data = pd.read_csv(res_path, usecols=[6]).values.ravel() # 6是指map50的下标（每行从0开始向右数）
else: # 文件后缀是txt
with open(res_path, 'r') as f:
datalist = f.readlines()
data = []
for d in datalist:
data.append(float(d.strip().split()[10])) # 10是指map50的下标（每行从0开始向右数）
data = np.array(data)
x = range(len(data))
plt.plot(x, data, label=modelname, linewidth='1') # 线条粗细设为1
# 添加x轴和y轴标签
plt.xlabel('Epochs')
plt.ylabel('mAP@0.5')
plt.legend()
plt.grid()
# 显示图像
plt.savefig("mAP50.png", dpi=600) # dpi可设为300/600/900，表示存为更高清的矢量图
plt.show()
# 绘制map50-95
for modelname in result_dict:
res_path = result_dict[modelname]
ext = res_path.split('.')[-1]
if ext == 'csv':
data = pd.read_csv(res_path, usecols=[7]).values.ravel() # 7是指map50-95的下标（每行从0开始向右数）
else:
with open(res_path, 'r') as f:
datalist = f.readlines()
data = []
for d in datalist:
data.append(float(d.strip().split()[11])) # 11是指map50-95的下标（每行从0开始向右数）
data = np.array(data)
x = range(len(data))
plt.plot(x, data, label=modelname, linewidth='1')
# 添加x轴和y轴标签
plt.xlabel('Epochs')
plt.ylabel('mAP@0.5:0.95')
plt.legend()
plt.grid()
# 显示图像
plt.savefig("mAP50-95.png", dpi=600)
plt.show()
# 绘制训练的总loss
for modelname in result_dict:
res_path = result_dict[modelname]
ext = res_path.split('.')[-1]
if ext == 'csv':
box_loss = pd.read_csv(res_path, usecols=[1]).values.ravel()
obj_loss = pd.read_csv(res_path, usecols=[2]).values.ravel()
cls_loss = pd.read_csv(res_path, usecols=[3]).values.ravel()
data = np.round(box_loss + obj_loss + cls_loss, 5) # 3个loss相加并且保留小数点后5位（与v7一致）
else:
with open(res_path, 'r') as f:
datalist = f.readlines()
data = []
for d in datalist:
data.append(float(d.strip().split()[5]))
data = np.array(data)
x = range(len(data))
plt.plot(x, data, label=modelname, linewidth='1')
# 添加x轴和y轴标签
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.grid()
# 显示图像
plt.savefig("loss.png", dpi=600)
plt.show()
3.4 utils/metrics.py
- 参考【YOLO系列PR、F1绘图】更改v5、v7、v8（附v8训练、验证方式），实现调用val.py或者test.py后生成pr.csv，然后再整合绘制到一张图上（使用matplotlib绘制）
- 同理在 YOLOv5的 utils/metrics.py 和 YOLOv8 的 ultralytics-main\ultralytics\yolo\utils\metrics.py 中做与同样的更改
3.4.1 PR_curve.csv
def plot_pr_curve(px, py, ap, save_dir='pr_curve.png', names=()):
# Precision-recall curve
fig, ax = plt.subplots(1, 1, figsize=(9, 6), tight_layout=True)
py = np.stack(py, axis=1)
# lwd edit: 将结果保存在csv中
pr_dict = dict() # lwd edit
pr_dict['px'] = px.tolist() # lwd edit
if 0 < len(names) < 21: # display per-class legend if < 21 classes
for i, y in enumerate(py.T):
ax.plot(px, y, linewidth=1, label=f'{names[i]} {ap[i, 0]:.3f}') # plot(recall, precision)
pr_dict[names[i]] = y.tolist() # lwd edit
else:
ax.plot(px, py, linewidth=1, color='grey') # plot(recall, precision)
# ------------------- lwd edit ---------------------- #
pr_dict['all'] = py.mean(1).tolist()
import pandas as pd
dataformat = pd.DataFrame(pr_dict)
save_csvpath = save_dir.cwd() / (str(save_dir).replace('.png', '.csv')) # 定义csv文件的保存位置
dataformat.to_csv(save_csvpath, sep=',')
# ---------------------------------------------------- #
ax.plot(px, py.mean(1), linewidth=3, color='blue', label='all classes %.3f mAP@0.5' % ap[:, 0].mean())
ax.set_xlabel('Recall')
ax.set_ylabel('Precision')
ax.set_xlim(0, 1)
ax.set_ylim(0, 1)
plt.legend(bbox_to_anchor=(1.04, 1), loc="upper left")
fig.savefig(Path(save_dir), dpi=250)
3.4.2 F1_curve.csv
def plot_mc_curve(px, py, save_dir='mc_curve.png', names=(), xlabel='Confidence', ylabel='Metric'):
# Metric-confidence curve
fig, ax = plt.subplots(1, 1, figsize=(9, 6), tight_layout=True)
# -----------------lwd edit: 将结果保存在csv中--------------- #
flag = False # 判断是不是绘制F1_curve曲线
if str(save_dir).endswith('F1_curve.png'):
flag = True
pr_dict = dict() # lwd edit
pr_dict['px'] = px.tolist() # lwd edit
# --------------------------------------------------------- #
if 0 < len(names) < 21: # display per-class legend if < 21 classes
for i, y in enumerate(py):
ax.plot(px, y, linewidth=1, label=f'{names[i]}') # plot(confidence, metric)
if flag:
pr_dict[names[i]] = y.tolist() # lwd edit
else:
ax.plot(px, py.T, linewidth=1, color='grey') # plot(confidence, metric)
y = py.mean(0)
ax.plot(px, y, linewidth=3, color='blue', label=f'all classes {y.max():.2f} at {px[y.argmax()]:.3f}')
# ------------------- lwd edit ---------------------- #
if flag:
pr_dict['all'] = y.tolist()
import pandas as pd
dataformat = pd.DataFrame(pr_dict)
save_csvpath = save_dir.cwd() / (str(save_dir).replace('.png', '.csv')) # 定义csv文件的保存位置
dataformat.to_csv(save_csvpath, sep=',')
# ---------------------------------------------------- #
ax.set_xlabel(xlabel)
ax.set_ylabel(ylabel)
ax.set_xlim(0, 1)
ax.set_ylim(0, 1)
plt.legend(bbox_to_anchor=(1.04, 1), loc="upper left")
fig.savefig(Path(save_dir), dpi=250)
3.5 PR、F1 绘图
import matplotlib.pyplot as plt
import pandas as pd
# 绘制PR
def plot_PR():
pr_csv_dict = {
'YOLOv7': r'D:\yolov7-main\runs\train\exp4\PR_curve.csv',
'YOLOv71': r'D:\yolov7-main\runs\train\exp2\PR_curve.csv',
'YOLOv72': r'D:\yolov7-main\runs\train\exp4\PR_curve.csv',
'YOLOv73': r'D:\yolov7-main\runs\train\exp2\PR_curve.csv'
}
# 绘制pr
fig, ax = plt.subplots(1, 1, figsize=(6, 4), tight_layout=True)
for modelname in pr_csv_dict:
res_path = pr_csv_dict[modelname]
x = pd.read_csv(res_path, usecols=[1]).values.ravel()
data = pd.read_csv(res_path, usecols=[2]).values.ravel()
ax.plot(x, data, label=modelname, linewidth='2')
# 添加x轴和y轴标签
ax.set_xlabel('Recall')
ax.set_ylabel('Precision')
ax.set_xlim(0, 1)
ax.set_ylim(0, 1)
plt.legend(bbox_to_anchor=(1.04, 1), loc='upper left')
plt.grid() # 显示网格线
# 显示图像
fig.savefig("pr.png", dpi=250)
plt.show()
# 绘制F1
def plot_F1():
f1_csv_dict = {
'YOLOv7': r'D:\yolov7-main\runs\train\exp4\F1_curve.csv',
'YOLOv71': r'D:\yolov7-main\runs\train\exp2\F1_curve.csv',
'YOLOv72': r'D:\yolov7-main\runs\train\exp4\F1_curve.csv',
'YOLOv73': r'D:\yolov7-main\runs\train\exp2\F1_curve.csv'
}
fig, ax = plt.subplots(1, 1, figsize=(6, 4), tight_layout=True)
for modelname in f1_csv_dict:
res_path = f1_csv_dict[modelname]
x = pd.read_csv(res_path, usecols=[1]).values.ravel()
data = pd.read_csv(res_path, usecols=[2]).values.ravel()
ax.plot(x, data, label=modelname, linewidth='2')
# 添加x轴和y轴标签
ax.set_xlabel('Confidence')
ax.set_ylabel('F1')
ax.set_xlim(0, 1)
ax.set_ylim(0, 1)
plt.legend(bbox_to_anchor=(1.04, 1), loc='upper left')
plt.grid() # 显示网格线
# 显示图像
fig.savefig("F1.png", dpi=250)
plt.show()
if __name__ == '__main__':
plot_PR() # 绘制PR
plot_F1() # 绘制F1
总结
以上就是 YOLOv7 的环境配置、运行与训练过程及其中可能出现的问题与解决办法。
5万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
