安全帽检测、口罩检测、行为检测、目标物体检测，随着深度学习和计算机视觉技术的不断发展，目标检测成为了研究热点之一。YOLOv7作为YOLO系列的新成员，以其高效和准确的性能受到了广泛关注。本文将介绍如何在本地部署并利用YOLOv7完成目标检测推理。
YOLOV7本地安装和部署，请看我的上一篇文章：目标检测算法，Yolov7本地化部署使用（一）
一、创建目录结构
1.在yolov7目录下，创建一个名为VOCData的目录。 在VOCData目录中，创建VOCTest、VOCTrainVal两个目录。 在这两个目录下，分别创建Annotations、JPEGImages、ImageSets目录。 在这两个ImageSets目录下，分别创建Main目录。 整体结构如下： ---yolov7 --VOCData --VOCTest --Annotations --ImageSets --Main --JPEGImages --VOCTrainVal --Annotations --ImageSets --Main --JPEGImages
二、准备标注的样本数据
将我们的图片放置yolov7/VOCTrainVal/JPEGImages/中
三、安装标注工具：labellmg
在我们的conda环境或Python环境中，运行安装命令：pip install labellmg
四、启动标注工具： labellmg
在我们的conda环境或Python环境中，运行启动命令：labelimg
五、界面讲解
六、设置所需默认目录：
七、快捷键：
八、标注：
一直画框、标注、画框、标注，直至所有图片全部标注完成。
九、查看标注结果：
十、准备训练数据
首先拆分训练集、验证集和测试集。
在yolov7/VOCData/目录下，创建一个名为split.py文件，将下面代码拷贝进去。
import os
import random
xmlfilepath = r'../VOCData/VOCTrainVal/Annotations/' # xml文件的路径，这里可以改为绝对路径
saveBasePath = r'../VOCData/VOCTrainVal/ImageSets/' # 生成的txt文件的保存路径，这里可以改为绝对路径
trainval_percent = 0.9 # 训练验证集占整个数据集的比重（划分训练集和测试验证集）
train_percent = 0.9 # 训练集占整个训练验证集的比重（划分训练集和验证集）
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
print("train and val size", tv)
print("traub suze", tr)
ftrainval = open(os.path.join(saveBasePath, 'Main/trainval.txt'), 'w')
ftest = open(os.path.join(saveBasePath, 'Main/test.txt'), 'w')
ftrain = open(os.path.join(saveBasePath, 'Main/train.txt'), 'w')
fval = open(os.path.join(saveBasePath, 'Main/val.txt'), 'w')
for i in list:
name = total_xml[i][:-4] + '\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()十一、运行这个split.py文件。
在我们的conda环境或Python环境中，通过cd命令，切换至yolov7/VOCData/目录中，运行启动命令：python .\split.py
十二、查看运行结果：
在yolov7/VOCData/VOCTrainVal/ImageSets/Main/目录中，可以看到test.txt、train.txt、trainval.txt,val.txt
在yolov7/VOCData/VOCTest/ImageSets/Main目录中，可以看到test.txt，如果没有，就手动把yolov7/VOCData/VOCTrainVal/ImageSets/Main/下的test.txt拷贝至当前目录中。
十三、数据格式转换：
因为YOLO用的是txt格式的训练文件，所以需要将我们标注为xml的标注文件通过Python代码转换为相应的txt文本。
在yolov7/VOCData/目录下，创建一个名为voc_label.py文件，将下面代码拷贝进去。
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import shutil
sets=[('TrainVal', 'train'), ('TrainVal', 'val'), ('Test', 'test')]
#修改为你自己训练的分类信息
classes =["mask_weared_incorrect","with_mask","without_mask"]
def convert(size, box):
dw = 1./size[0]
dh = 1./size[1]
x = (box[0] + box[1])/2.0
y = (box[2] + box[3])/2.0
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(year, image_set, image_id):
in_file = open('VOC%s/Annotations/%s.xml'%(year, image_id))
out_file = open('VOC%s/labels/%s_%s/%s.txt'%(year, year, image_set, image_id), 'w',encoding='utf-8')
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
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))
bb = convert((w,h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
def copy_images(year,image_set, image_id):
in_file = 'VOC%s/JPEGImages/%s.jpg'%(year, image_id)
out_flie = 'VOC%s/images/%s_%s/%s.jpg'%(year, year, image_set, image_id)
shutil.copy(in_file, out_flie)
wd = getcwd()
for year, image_set in sets:
if not os.path.exists('VOC%s/labels/%s_%s'%(year,year, image_set)):
os.makedirs('VOC%s/labels/%s_%s'%(year,year, image_set))
if not os.path.exists('VOC%s/images/%s_%s'%(year,year, image_set)):
os.makedirs('VOC%s/images/%s_%s'%(year,year, image_set))
image_ids = open('VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split()
list_file = open('VOC%s/%s_%s.txt'%(year, year, image_set), 'w')
for image_id in image_ids:
list_file.write('%s/VOC%s/images/%s_%s/%s.jpg\n'%(wd, year, year, image_set, image_id))
convert_annotation(year, image_set, image_id)
copy_images(year, image_set, image_id)
list_file.close()
十四、运行这个voc_label.py文件。
在我们的conda环境或Python环境中，通过cd命令，切换至yolov7/VOCData/目录中，运行启动命令：python .\voc_label.py
十五、查看运行结果：
在yolov7/VOCData/VOCTrainVal/labels/TrainVal_train/目录中，可以看到转换后的txt文件。
十六、创建自己的数据集
在yolov7/VOCData/目录下，创建一个名为trainData.yaml文件，将下面代码拷贝进去。
# 上面那三个txt文件的位置
train: ./VOCData/VOCTrainVal/TrainVal_train.txt
val: ./VOCData/VOCTrainVal/TrainVal_val.txt
test: ./VOCData/VOCTest/Test_test.txt
# number of classes
nc: 3 # 修改为自己的类别数量
# class names
names: ["第一个标签", "第二个标签","第三个标签"] # 自己来的类别名称 0 ,1 , 2 十七、修改训练参数：
打开yolov7/train.py文件，修改训练参数：
--weights代表权重，可以使用默认权重，也可以不用预训练权重，也可以使用官方提供的训练权重yolov7_training.pt
--data代表数据集，这块就写入咱们刚才制作的数据集的位置就可以了，可以使用相对路径，也可以使用绝对路径
--batch-size代表大小，这个根据个人电脑情况调整，一般为2 - 16不等，均为偶数--resume继续训练，如果因为断电或者其他不可抗力因素导致训练终止，将此处的default改为True，便可以接着上一次的训练。
十八、 开始训练：
在我们的conda环境或Python环境中，通过cd命令，切换至yolov7/目录中，运行启动命令：python .\train.py
十九、意外BUG：
如果在Windows运行报错：UnicodeDecodeError: 'gbk' codec can't decode byte 0x9A in position 233: illegal multibyte sequence， 请参考：【Python】解决UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0x9A in position xxx: illegal multibyte_unicodedecodeerror: 'gbk' codec can't decode byte -CSDN博客
二十、使用自己训练的模型进行推理检测：
自己训练好的模型文件在，yolov7/runs/train/exp${流水号}/，比如我的 yolov7/runs/train/exp13/,你可以看到训练结果分析之类的一系列数据，最后在当前目录下的weights目录中找到模型文件：best.pt、last.pt
将 last.pt或base.pt拷贝至yolov7/目录下，修改同目录下（yolov7/）detect.py文件，让他检测时使用我们自己训练的模型last.pt 或base.pt
二十一、开始运行程序：
在我们的conda环境或Python环境中，通过cd命令，切换至yolov7/目录中，运行启动命令：python .\detect.py
二十二、查看结果：
在 yolov7/runs/detect/exp${流水号}/，比如我的 yolov7/runs/train/exp2/,你可以最新的检测结果了。至此，你已完成YOLOV7的训练任务了。
本文参考：YOLOv7保姆级教程（个人踩坑无数）----训练自己的数据集-CSDN博客
