YOLOv7项目运行

文章目录

YOLOv7项目运行
- 推理
- 训练
- - 1.数据集制作
  - 2.创建yaml文件
  - 3.运行脚本训练
- 遇到的问题

代码：WongKinYiu/yolov7: Implementation of paper - YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors (github.com)

论文：[2207.02696] YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors (arxiv.org)

代码里面也含有论文

推理

On video:

python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source yourvideo.mp4

On image:

python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source inference/images/horses.jpg

detect.py：

parser = argparse.ArgumentParser()
    parser.add_argument('--weights', nargs='+', type=str, default='yolov7.pt', help='model.pt path(s)')
    parser.add_argument('--source', type=str, default='inference/images', help='source')  # file/folder, 0 for webcam
    parser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)')
    parser.add_argument('--conf-thres', type=float, default=0.25, help='object confidence threshold')
    parser.add_argument('--iou-thres', type=float, default=0.45, help='IOU threshold for NMS')
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')

解释：weights：训练好的模型路径 source：测试图片的路径。 img-size：图片输入的大小。 conf-thres：置信度的下线。 iou-thres：IOU的阈值 device：GPU的编号，或者设置为cpu。然后就可以运行detect.py脚本了。

具体见YOLOv7项目的readme

demo:Google Colab

训练

项目来源：【安全帽识别-新手任务】-视觉算法打榜-极市开发者平台 (cvmart.net)

自带数据集

1.数据集制作

由于该项目自带数据集，不用做特别处理，直接运行脚本/project/train/src_repo/run.sh

#训练脚本 -->执行数据集划分、转换脚本，执行YOLOV5训练模块。
#run.sh
rm  -r /project/train/src_repo/dataset
#创建数据集相关文件夹
mkdir /project/train/src_repo/dataset
mkdir /project/train/src_repo/dataset/Annotations
mkdir /project/train/src_repo/dataset/images
mkdir /project/train/src_repo/dataset/ImageSets
mkdir /project/train/src_repo/dataset/labels
mkdir /project/train/src_repo/dataset/ImageSets/Main

cp /home/data/831/*.xml /project/train/src_repo/dataset/Annotations
cp /home/data/831/*.jpg  /project/train/src_repo/dataset/images
#执行数据集划分、转换
python /project/train/src_repo/split_train_val.py --xml_path /project/train/src_repo/dataset/Annotations  --txt_path /project/train/src_repo/dataset/ImageSets/Main
cp /project/train/src_repo/voc_label.py /project/train/src_repo/dataset
python /project/train/src_repo/dataset/voc_label.py

得到：

Annotations文件夹存放的是之前的xml标注文件，images存放的是所有图片，labels文件夹存放的是所有yolov7需要的标注文件，以.txt文件呈现，test.txt trian.txt val.txt都是划分的数据集，里面存放的是相应的图片数据位置，剩下的ImageSets放的是划分文件的名字，.cache文件存放的是运行过程中产生的缓存，不重要

总之，得到以下格式的数据集就行：

左边是所有图片和标签在一个文件夹下，用文档进行划分；右边是将图片和标签直接划分到对应文档下（注意images-labels/test-train，图片标签在上级目录，而不是test和train）

2.创建yaml文件

将标签数据、类别数量及名称按以下格式写好：

3.运行脚本训练

# train p5 models
!python train.py --weights '' --cfg cfg/training/yolov7.yaml --data data/helmet.yaml --epochs 300 --batch-size 16

YOLOv7比YOLOv5参数更多，训练速度相比要慢，而且由于网络原因，我这还没训练完就断了

还好有继续训练机制，使用–resume参数，从上次最后一个开始：

!python train.py --weights 'train/src_repo/yolov7/runs/train/exp6/weights/last.pt' --cfg cfg/training/yolov7.yaml --data data/helmet.yaml --epochs 300 --batch-size 16 --resume

完成：

遇到的问题

Traceback (most recent call last):
  File "train.py", line 616, in <module>
    train(hyp, opt, device, tb_writer)
  File "train.py", line 248, in train
    image_weights=opt.image_weights, quad=opt.quad, prefix=colorstr('train: '))
  File "/project/train/src_repo/yolov7/utils/datasets.py", line 78, in create_dataloader
    prefix=prefix)
  File "/project/train/src_repo/yolov7/utils/datasets.py", line 392, in __init__
    cache, exists = torch.load(cache_path), True  # load
  File "/usr/local/lib/python3.7/dist-packages/torch/serialization.py", line 608, in load
    return _legacy_load(opened_file, map_location, pickle_module, **pickle_load_args)
  File "/usr/local/lib/python3.7/dist-packages/torch/serialization.py", line 777, in _legacy_load
    magic_number = pickle_module.load(f, **pickle_load_args)
_pickle.UnpicklingError: STACK_GLOBAL requires str

数据标签的cache的原因