源码：
https://github.com/WongKinYiu/yolov7
论文：
https://arxiv.org/abs/2207.02696
这个yolov7是yolov4团队的作品，我等着你yolov100。
; 背景
yolo系列已经成了大家学习工作中常用的目标检测网络，果然，yolov7又来了。一般人yolo取名到2亿都可以，但听说这个作者是yolov4的，我就来踩踩坑，试试火
代码
搭建环境，这里直接用conda按照源码requirements.txt安装就行。
（我yolov5环境(python3.7+torch1.8.0)都可以训练,我之前写过一篇几分钟搭建yolov5的文章）
数据准备
- 现成数据（VisDrone）+配置脚本(yolov7.yaml等)：
数据集:官方的VisDrone格式和yolov5的不同，要转换一下
这里我有转换好的，下载地址：4euh
- 制作自己数据集（lableme标注自己图片+labelme转yolo的脚本）：
强烈建议用labelme
labelme格式标注完就是一张图对应一个json：
yolo格式是一个图对应一个txt：
我是把转化完的txt和json都同一个文件夹下
- 标注软件：
labelme就一个exe文件50m左右，下载地址：8q3m，windows上下载后直接执行，非常方便
- labelme转yolov5脚本：
（只写了检测的，labelme的分割、关键点等等脚本有机会写个总的）
import os
import json
import glob
labelme_dir=r"C:\Users\ttao\Pictures\my_"
def get_labelme_data(labelme_dir):
with open(labelme_dir) as f:
j=json.load(f)
out_data=[]
img_h =j["imageHeight"]
img_w =j["imageWidth"]
for shape in j["shapes"]:
label=shape["label"]
points=shape["points"]
x,y,x2,y2=points[0][0],points[0][1],points[1][0],points[1][1]
x_c=(x+x2)//2
y_c=(y+y2)//2
w=abs(x-x2)
h=abs(y-y2)
out_data.append([label,x_c,y_c,w,h])
return img_h,img_w,out_data
def rename_Suffix(in_,mode=".txt"):
in_=in_.split('.')
return in_[0]+mode
def make_yolo_data(in_dir):
json_list=glob.glob(os.path.join(in_dir,'*.json'))
for json_ in json_list:
json_path=os.path.join(in_dir,json_)
json_txt=rename_Suffix(json_)
img_h,img_w,labelme_datas=get_labelme_data(json_path)
with open(os.path.join(in_dir,json_txt),'w+') as f:
for labelme_data in labelme_datas:
label=labelme_data[0]
x_c=labelme_data[1]/img_w
y_c=labelme_data[2]/img_h
w=labelme_data[3]/img_w
h=labelme_data[4]/img_h
f.write("{} {} {} {} {}\n".format(label,x_c,y_c,w,h))
f.close()
if __name__ == '__main__':
make_yolo_data(labelme_dir)
训练
配置：train.py+数据集配置文件（.yaml）+选择网络的配置文件（默认为yolov7.yaml）
👉Visdrone数据集
数据集是无人机角度拍摄的，中国各城市的，主要是各种汽车、人等数据集
我具体配置情况如下：
train.py
–cfg 模型选择，这里默认是yolov7
–data 数据格式配置，我这里是自己的VisDrone数据格式，训练yolo的要改，看下面训练自己数据集
–hyp 超参数，先不管
–batch-size 这个yolov7我设高了容易爆，小点
VisDrone.yaml
然后就可以训练了
👉自己的数据集
把上面的VisDrone.yaml换成yolo系列格式的yaml，
yolo系列例子：
比如我的灭火器数据集，exting.yaml如下
train: my_data/train_exting
val: my_data/val_exting
nc: 2
names: ['exting_s','exting_m']
和VisDrone不同的是，yolo系列数据格式这样放
接下来配置train.py就行了。
坑（我遇到的）：
1、首先如果中途报错有什么却库和少包，大概率就是torch环境问题，按照我yolov5搭建的方式没什么问题
原由：这里dataloader workers数量默认是8，当batch-size大，内存不够，报错
方法：
要么设置dataloader=1，但会降低训练速度，贼慢（但如果显卡本来就弱，那可能不全是cpu问题）
要么使用 FixNvPe.py 脚本，减少 MemoryPerProcess，不会降低训练速度。
具体方法（我也是看简书上大神的）
直接把VisDrone训练和测试集的label.cache删除
4、这个yolov7我2080ti，8g显存，batch_size=4，结果训练一段就爆显存。参考一下，自己改下batch_size，嫌弃太大的有个yolov7-tiny版本
最后总结：
yolov7是80多m，即使是yolov7-tiny的也是40多m，yolov5s大概17m（目前我jeston nano就是用这个部署的，飞桨的yolov5s可能20多m），yolo-fastest大概1.3m，想比较效果的自己可以去试试yolov5s和yolo-fatest等等。
Original: https://blog.csdn.net/qq_43117155/article/details/125672691
Author: he_eeeeeeeeeee
Title: YOLOV7训练自己的数据集，我先来试试火（VisDrone数据集）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/518439/
转载文章受原作者版权保护。转载请注明原作者出处！