YOLOV7语义分割（日后自用笔记）

系统win10。本文只是根据readme文件走流程，记录一些常用公式。

RizwanMunawar/yolov7-segmentation at 87b016cda50371d6e2824378d641c2d4417ea1c3 (github.com)

目录

一、项目文件的下载与直接运用

1.将工程文件git到本地

2.创建并配置虚拟环境，记录常用公式

3.下载权重文件进行训练后结果测试

 二、用自己的数据集进行训练

1.数据集的预处理

 2.文件个性化修改

3.开始训练

4.训练完成

---

一、项目文件的下载与直接运用

1.将工程文件git到本地

error1:直接使用Anaconda Prompt报错

fatal: unable to access 'https://github.com/RizwanMunawar/yolov7-segmentation.git/': OpenSSL SSL_read: Connection was reset, errno 10054

通过解除ssl安全验证，如下所示：
git config --global http.sslVerify “false”

error2:提示连接服务器失败，如unable to access ‘https://gitee...‘: Failed to connect to 127.0.0.1 port 31181 after 2029 ms。解决方法：http://t.csdn.cn/XOGJahttp://t.csdn.cn/XOGJa

随后再在Prompt或者git bash中输入下列代码即可git到本地目标文件夹

git clone https://github.com/RizwanMunawar/yolov7-segmentation.git

2.创建并配置虚拟环境，记录常用公式

#查看当前的虚拟环境
conda env list
#创建虚拟环境
conda create -n yolov7seg python=3.8
#激活环境
conda activate yolov7seg
#配置环境
pip install -r requirements.txt

3.下载权重文件进行训练后结果测试

https://github.com/RizwanMunawar/yolov7-segmentation/releases/download/yolov7-segmentation/yolov7-seg.pt

下载yolov7-seg.pt权重文件，放到主文件夹下。

输入以下代码对目标进行预测

#视频
python segment/predict.py --weights yolov7-seg.pt --source "football1.mp4"
#图片
python segment/predict.py --weights yolov7-seg.pt --source 1.jpg
文件夹
python segment/predict.py --weights yolov7-seg.pt --source test

图片效果如下，位置在runs文件夹下

 二、用自己的数据集进行训练

1.数据集的预处理

使用labelme提前标记好数据集，格式如下，每一个image有一个json格式的标注文件。

 作者推荐使用roboflow进行数据标记

Roboflow: Give your software the power to see objects in images and video

在已有数据集的情况下，进行格式转换，根据流程走，全程默认选项，最后输出格式为：

 输出的数据集文件夹如下：

 2.文件个性化修改

根据readme文件指示要求，将train和test文件夹放到工程文件的的data子文件夹下方

 在data文件夹下创建一个custom.yaml文件，valid文件夹可一并放入data中，并将代码内容编辑如下，用pwd命令确定文件夹的位置进行修改：

#标准train和val文件夹位置，..中的内容用pwd确定
train: ../yolov7-segmentation/data/train/images
val: ../yolov7-segmentation/data/valid/images
#nc为number of classes，即标记的种类的个数
nc: 2
#按以下格式将label的内容填入
names: ['car','person']

3.开始训练

按作者要求将上面用到的权重文件下载到主文件夹下，并输入以下代码进行训练：

#根据个人需求进行参数修改，如batch和epoch等
python segment/train.py --data data/custom.yaml --batch 4 --weights "yolov7-seg.pt" --cfg yolov7-seg.yaml --epochs 10 --name yolov7-seg  --img 640 --hyp hyp.scratch-high.yaml

如果显示如下，即启用了cuda，用的是显卡进行训练，如果最后一行显示CPU，则未成功启用显卡。

如果未成功启用显卡，问题存在于pytorch可能下载为cpu的版本，因为环境配置是根据requirements.txt文件直接安装的，可能会存在差错。

这里将torch和torchvision进行卸载，去pytorch官网进行安装，如我的电脑cuda版本是11.6，去官网下载了适用于11.7的2.0.0的torch版本，即可成功启用cuda。

 以下会报错，说是np.int不存在（该问题每次重启后都会出现，幸而不麻烦，也未作处理）

AttributeError: module 'numpy' has no attribute 'int'.`np.int` was a deprecated alias for the builtin `int`. To avoid this error in existing code, use `int` by itself. Doing this will not modify any behavior and is safe. When replacing `np.int`, you may wish to use e.g. `np.int64` or `np.int32` to specify the precision. If you wish to review your current use, check the release note link for additional information.The aliases was originally deprecated in NumPy 1.20; for more details and guidance see the original release note at:https://numpy.org/devdocs/release/1.20.0notes.html#deprecations

经尝试发现，只有numpy1.20.3符合要求，因此使用pip进行安装

pip install numpy==1.20.3

安装完指定版本的numpy以后，重新输入代码进行训练。显示如下，可以看到显存调用起来了，如果未成功启用显卡，那么GPU_mem将显示0G

4.训练完成

Results saved to runs\train-seg\yolov7-seg2

根据命令行提示，可以去相应文件夹下看到一些训练信息，很多直观的图片。在weight文件中存在的是训练后的权重文件。其中best.pt即为所得。

 输入如下代码进行预测，可根据个人需求进行修改。

python segment/predict.py --weights "runs/train-seg/yolov7-seg2/weights/best.pt" --source test