YOLOV7——实战篇_yolov7模型cfg-CSDN博客

本文链接：https://blog.csdn.net/weixin_45819759/article/details/131189062

前期准备：

权重下载：

这次我们使用的预训练模型是yolov7_training.pt，这个模型是在MS COCO数据集上进行训练的，我们把这个模型下载到/yolov7/weights/下。注意，我们需要创建一个/weights/文件夹，用来统一存放我们的预训练模型。在linux系统下，输入如下命令进行文件夹的创建，并进入到该文件夹下

mkdir weights   # 创建文件夹
cd weights      # 进入到该文件夹下

这些预训练的模型官网都有提供，掌握如何训练自己的数据集后可根据需求进行预训练模型的更改。官网的截图如下

或在终端输入如下命令，即可下载预训练模型（linux系统下）

wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7_training.pt

速度是不够的。这里建议手动下载，然后手动传到服务器上，这样速度更快。

下载完后（或者上传好后，我是手动下载再上传的），会在/weights/得到一个如下图的文件

然后我们回到上一级工作路径下，也就是/yolov7/下，输入如下命令（linux系统下）

cd ..

到这里，我们的预训练权重也就下载好了。

测试：

这一步的重要目的，是测试环境是否都安装好了，如果能够顺利跑下来并得到相应的结果，就说明环境是安装好的了；如果没安装好，则再安装一次环境即可

首先，我们下载已经训练好的权重文件（这里的权重文件和Transfer Learning的预训练文件并不是同一个文件），同样地，下载到/weights/下面。

或者在linux系统下：

cd weights
wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7.pt
cd ..

下载好了之后，得到两个权重文件。接下来，就是直接进行测试了。现在我们在/yolov7/这个工作路径下，输入如下命令

python detect.py --weights weights/yolov7.pt --source inference/images

参数说明

--weights weight/yolov7.pt   # 这个参数是把已经训练好的模型路径传进去，就是刚刚下载的文件
--source inference/images   # 传进去要预测的图片

如果得到如下的运行结果，则说明运行成功，预测的图片被保存在了/runs/detect/exp/文件夹下

数据准备：

1. 准备工作

我们生成/datasets/文件夹，把数据都放进这个文件夹里进行统一管理。训练数据用的是yolo数据格式，不过多了两个.txt文件，这两个文件存放的，是每个图片的路径，后面会具体介绍。

2. 准备yolo格式的数据

2.1. 创建文件夹（linux系统下）

mkdir datasets

得到如下的结果（该文件夹用来同意管理数据）

2.2. 准备yolo格式数据集

如果不懂yolo格式数据集是什么样子的，建议先学习一下（可参考这篇文章）。大部分CVer都会推荐用labelImg进行数据的标注，我也不例外，推荐大家用labelImg进行数据标注。不过这里我不再详细介绍如何使用labelImg，网上有很多的教程。同时，标注数据需要用到图形交互界面，远程服务器就不太方便了，因此建议在本地电脑上标注好后再上传到服务器上。

这里假设我们已经得到标注好的yolo格式数据集，那么这个数据集将会按照如下的格式进行存放。

不过在这里面，train_list.txt和val_list.txt是后来我们要自己生成的，而不是labelImg生成的；其他的则是labelImg生成的。

接下来，就是生成 train_list.txt和val_list.txt。train_list.txt存放了所有训练图片的路径，val_list.txt则是存放了所有验证图片的路径，如下图所示，一行代表一个图片的路径。这两个文件的生成写个循环就可以了，不算难。（可参考这篇文章的法二）

结果如下所示：（其中Annotations是VOC转YOLO后，标注文件所在的文件夹，图中train.txt代替train_list.txt）

一行代表一张图片的路径，这是绝对路径，因为工作路径是yolov7，加上这一行就模型就会找到图片的位置了。

到此，数据集就已经准备好了。

配置训练的相关文件：

1. 前言

总共有两个文件需要配置，一个是/yolov7/cfg/training/yolov7.yaml，这个文件是有关模型的配置文件；一个是/yolov7/data/coco.yaml，这个是数据集的配置文件。

2. 配置模型文件

第一步，复制yolov7.yaml文件到相同的路径下，然后重命名，我们重命名为yolov7-pig.yaml。

第二步，打开yolov7-pig.yaml文件，进行如下图所示的修改，这里修改的地方只有一处，就是把nc修改为我们数据集的目标总数即可。然后保存

3. 配置数据集文件

第一步，复制coco.yaml文件到相同的路径下，然后重命名，我们命名为Pig.yaml。

第二步，打开Pig.yaml文件，进行如下所示的修改，需要修改的地方为5处。

第一处：把代码自动下载COCO数据集的命令注释掉，以防代码自动下载数据集占用内存；

第二处：修改train的位置为train_list.txt的路径；

第三处：修改val的位置为val_list.txt的路径；

第四处：修改nc为数据集目标总数；

第五处：修改names为数据集所有目标的名称。然后保存。

至此，相关的文件已经配置完成。（同理，用train.txt代替train_list.txt）

开始训练：

1. 前言

训练用到之前提到的三个文件：预训练模型yolov7_training.pt、yolov7-pig.yaml和Pig.yaml，当然还有一些其他的超参数，具体的命令如下：

python train.py --weights weights/yolov7_training.pt --cfg cfg/training/yolov7-pig.yaml --data data/Pig.yaml --device 0,1 --batch-size 64 --epoch 10

下面简单介绍一下相关的参数。

--weights weights/yolov7.pt             # 接收预训练模型路径的参数
--cfg cfg/training/yolov7-pig.yaml      # 接收模型配置文件的参数
--data data/Pig.yaml                    # 接收数据配置文件的参数
--device 0,1                            # GPU/CPU训练，我有2块，因此为0,1；若1块，则0；若CPU，则cpu
--batch-size 64                         # 按照自己GPU内存大小大致确定
--epoch 10                              # 不用多说；我仅展示，因此不训练那么多次了

然后运行界面如下，图中红色部分表示开始扫描数据，然后会在yolov7/datasets/Helmet/下生成两个缓存文件，这两个文件是方便模型进行数据读取生成的，训练过程中不要删除。扫描完后模型会开始训练，如下图。

更多的参数可以从train.py文件中找到，如下图

训练结果与推理

1. 训练结果

训练结束后，终端会打印出最好的模型和最后一个epoch的模型结果保存在哪里，如下图所示，

在/runs/train/exp/下，也存了其他的训练结果文件，比如每个epoch的结果到保存到了.txt文件夹里，如下图所示；有兴趣的可以自行探索。

2. 推理

推理其实就是跟测试里的差不多，无非就是把相关的权重文件和测试图片换一下即可。

python detect.py --weights runs/train/exp3/weights/best.pt --source datasets/testImages

推理的结果不展示，可自行测试。

以上就是其全部内容。

参考文章：【小白教学】如何用YOLOv7训练自己的数据集 - 知乎

YOLOV7——实战篇

前期准备：

环境配置：

代码下载：

编译器：

权重下载：

测试：

数据准备：

1. 准备工作

2. 准备yolo格式的数据

2.1. 创建文件夹（linux系统下）

2.2. 准备yolo格式数据集

配置训练的相关文件：

1. 前言

2. 配置模型文件

3. 配置数据集文件

开始训练：

1. 前言

训练结果与推理

1. 训练结果

2. 推理