目录
一.前言
二.yolov7源码下载
三.detect（检测）
四.Train（训练）
数据准备：
labellmg:
配置训练的相关文件
配置数据集文件
正式训练：
推理：
推理效果：
五.总结
一.前言
上篇文章：YOLOv7（目标检测）入门教程详解---环境安装 我们将yolov7外部需要的环境已经全部安装完成，那么这篇文章我们直接进行yolov7的实战----检测，推理，训练。
二.yolov7源码下载
下载网址：GitHub - WongKinYiu/yolov7: Implementation of paper - YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
点击Code，Download ZIP 把yolov7的源码包下载下来
下载好后打开yolov7源码包
在文件路径输入cmd进入终端
之后在终端activate进入之前创建的环境，并且输入
pip install -r requirements.txt强调：关掉电脑VPN
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple，输入这个指令可能会更快一点
我是之前安装过后，所有再输入安装指令后就会显示全部满足，你们也可以通过这样查看自己是否安装成功
此时我们来到官网下载权重，一个是Test用的yolov7.pt
一个是之后 Train 用的yolov7_training.pt
在yolov7的文件夹路径下建一个weights文件夹，然后把刚刚下载好的两个权重放进去。
此刻基本需要的环境和文件都已经准备完成了，接下来我们就可以进行detect（检测了）
三.detect（检测）
进入虚拟环境，输入以下指令
python detect.py --weights weights/yolov7.pt --source inference/images
--weights 指令就是代表权重 --source 是照片存在的路径
检测过程如下
这里可以使用GPU和CPU两种方式进行检测，因为我们之前装了cuda和cudnn所以可以用GPU
只不过我们需要输入--device 0 这个指令，不输入则默认为CPU，我是改了detect源码里面的指令
还有更多操作，我们可以打开detect.py进行查看
如果你只有cpu就默认cpu，如果是一个gpu就选择--device 0 两块cpu就--deivce 1,以此类推。
我们来看看我们训练之后的结果，进入runs-->detect-->exp 里面有所有预测好的照片
四.Train（训练）
参考博客：【小白教学】如何用YOLOv7训练自己的数据集 - 知乎
数据准备：
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。
那么接下来yolo数据集的整体格式如下：
Helmet是你想检测的东西名称，我检测的是圆环所以命名为circle
进入circle文件夹之后，会看到有images 和labels的文件夹，一个是拿来放图片的，一个是拿来存images文件夹中处理jpg图片之后的txt数据
打开images文件夹，我们又要建两个文件夹：train 和 val，并且把想要训练的照片放进去，两个都放差不多数量
打开labels文件夹，同样建两个文件train和val，然后就ok了
接下来我们就要用到一个软件去处理我们的图片，将其转化为yolo格式
labellmg:
参考博客：labelImg使用教程_G果的博客-CSDN博客_labelimg
进入终端，输入指令进行下载
输入labellmg打开软件
然后我们使用labellmg进行对图片的处理，首先open dir选择图片路径，我们先选择刚刚创建的datasets/circle/images/train 然后change save dir选择datasets/circle/labels/train，这样我们对image的每张图片的处理都会储存进label中 之后val也是同理。
之后就把每一个你想训练的目标给框出来然后进行命名，但是必须要改成YOLO格式
之后打开我们的labels就能发现里面储存了images中每张图片对应的txt文件
然后我们进入datasets/circle文件夹下面，建立两个txt文件，train.txt val.txt,这两个文件分为写入所有images中train和val中的照片路径
配置训练的相关文件
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。
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-Helmet.yaml。
第二步，打开yolov7-circle.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。
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circle.yaml。
第二步，打开circle.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.txt的路径；第三处：修改val的位置为val.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。
我的参照上图改好如下
之后我们就可以进行训练了！！！
正式训练：
此时我们在yolov7文件夹路径下cmd，并且进入虚拟环境，输入指令
python train.py --weights weights/yolov7_training.pt --cfg cfg/training/yolov7-circlr.yaml --data data/circlr.yaml --device 0 --batch-size 8 --epoch 300
这里对里面的参数进行解释
--cfg 接受模型配置的参数
--data 接收数据配置的参数
--device 0 训练类型，我是一块GPU 所以用0
--batch-size 8 GPU内存大小决定
--epoch 训练次数，建议300
--weights 训练的权重
训练到最后我们就会得到一个last 和best的pt文件，那么我们直接把best.pt拿出来使用就ok了
推理：
我们已经获得了自己训练出来的权重了，那么这个时候推理，其实跟之前检测的道理是一样的，唯一变换的就是我们的权重文件和自己检测的照片 。
这个时候我们在datasets文件夹下面建立一个textimages文件夹和textvideo文件夹，分别用来储存要被检测的图片和视频
跟detect一样，进入虚拟环境输入权重路径和图片路径就ok了，指令如下
我是把best.pt直接拉到了yolov7文件夹路径下面，你们刚刚训练出来的在runs/train/circle/weights/best.pt
python detect.py --weights best.pt --source datasets/textimages --device 0
可以看到用gpu训练的yolov7是相当的快，我显卡是3070的，大概一张照片15ms左右的样子，如果用CPU的话，速度要慢十倍左右
推理效果：
我打开runs/detect/exp查看我们的训练效果
可以说效果是非常好的，方框上面的数值就是置信度了，只要训练的好，yolov7的处理能力非常的强大。
五.总结
那么yolov7的检测，训练，推理的全部流程都已经可以实现了，但是这个是基于python环境下的，如果有特殊的需求需要在c++环境下去进行yolo检测的话，那就又另有一方折腾了，我会在之后的博客中说到如何在c++中去使用yolov7检测。
有相关问题可以私信我进行讨论
近期评论