yolov7配置与训练记录(一) 已经完成了环境的配置,下面开始文件内部的操作
yolov7官方下载地址为
git clone https://github.com/WongKinYiu/yolov7
1 将下载好的预训练权重放在yolov7-main/weights内
需要在yolov7中新建weights文件夹(也是为了方便管理权重文件)
测试
python detect.py --weights weights/yolov7_training.pt --source inference/images
如果未报错,则说明成功
2 将准备好的数据放在yolov7-main/datasets内
需要在yolov7中新建datasets文件夹(也是为了方便管理训练数据文件)
datasets内部的文件放置规则如下图所示:
其中train_list和val_list中是放置的训练和测试的图片地址
可以参考python保存文件夹中的文件路径（绝对路径）进行生成.
这里推荐使用绝对路径,因为比较直观简单.
labels是通过labelme标注得到的,可以参考其他文章(等我再次用到了,我再来补充)
3 修改配置训练的相关文件
共需要修改两处
3.1 yolov7-main/cfg/training/yolov7.yaml
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-wuliu.yaml。
打开yolov7-wuliu.yaml进行修改将nc修改为你的目标总数
本人的训练数据中共有5种目标,所以,改为5.
3.2 /yolov7/data/coco.yaml
复制coco.yaml文件到相同的路径下，然后重命名，我们命名为wuliu.yaml。
打开wuliu.yaml进行修改,
- 1将train和val修改为你的train_list和val_list的地址
- 2将
nc修改为你的目标总数
本人的训练数据中共有5种目标,所以,改为5. - 3将
names修改为你的目标标签名称,
注意和你标注时的次序相同.
# COCO 2017 dataset http://cocodataset.org
# download command/URL (optional)
# download: bash ./scripts/get_coco.sh
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ./datasets/wuliu/train_list.txt # 118287 images
val: ./datasets/wuliu/val_list.txt # 5000 images
# test: ./coco/test-dev2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794
# number of classes
nc: 5
# class names
names: [ 'bridge', 'car', 'H', 'pillbox', 'tent' ]
4 开始训练
python train.py --weights weights/yolov7_training.pt --cfg cfg/training/yolov7-wuliu.yaml --data data/wuliu.yaml --device 0 --batch-size 4 --epoch 10
相关参数的含义:
--weights weights/yolov7.pt # 接收预训练模型路径的参数
--cfg cfg/training/yolov7-Helmet.yaml # 接收模型配置文件的参数
--data data/Helmet.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
5 测试
训练完毕后在yolov7-main/runs/train/exp7/weights(不一定是exp7)中得到best.pt和last.pt
可以使用他们进行检测了.
python detect.py --weights runs/train/exp7/weights/best.pt --source data/images/bus.jpg
source后可以跟的参数.
python detect.py --source 0 # webcam
file.jpg # image
file.mp4 # video
path/ # directory
path/*.jpg # glob
'https://youtu.be/NUsoVlDFqZg' # YouTube video
'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream
