附上另外两篇教程：
①yolov7进行数据增强及数据划分：链接
②yolov7裁剪出识别结果：链接

1.安装Anaconda

下载Anaconda3，考虑到下载速度，可以去清华镜像下载，下载地址：清华镜像站
在这里插入图片描述
这里我下的是Anaconda3-2022.10-Windows-x86_64.exe
具体安装流程可以看这篇：https://blog.csdn.net/in546/article/details/117400839

2.创建python虚拟环境

打开刚下好的Anaconda Prompt(Anaconda3)
请添加图片描述

创建名为yolov7try，使用python3.8的虚拟环境：

conda create -n yolov7try python=3.8

新建完后，查看所创建的环境：

conda env list

激活环境：

conda activate yolov7try

激活成功就是这样的

3.安装CUDA11.3

首先在Anaconda Prompt中查看一下现在已经安装的CUDA版本

nvcc -V

如果是其他版本，那就下载对应版本的pytorch与pytorchvision，这里我是用的CUDA11.3

扫描二维码关注公众号，回复： 16633195 查看本文章

右上角查看CUDA驱动版本，小于等于它的都可以安装。

nvidia-smi

请添加图片描述

CUDA下载地址：CUDA下载地址
请添加图片描述
点击下载，安装教程：https://blog.csdn.net/Zinnir/article/details/122766367
安装成功后输入nvcc -V查看：

4.配置Yolov7环境

yolov7源码下载地址：yolov7
顺便把权重也下载了：
请添加图片描述
我用的是yolov7.pt，放在yolov7-main文件夹

点开requirements.txt文件，把torch与torchvision这两行删除，新建一个requirements_gpu.txt文件：
-i https://download.pytorch.org/whl/cu113
torch1.11.0+cu113
torchvision0.12.0+cu113
请添加图片描述

然后在anaconda3中，cd到yolov7-main目录，输入下列命令：

pip install -r requirements.txt
pip install -r requirements_gpu.txt

如果速度过慢，可以参考这条配置清华源：https://blog.csdn.net/YPP0229/article/details/105630429/
安装完后，pip list命令查看刚刚下载的库，显示这个就是安装成功了：
请添加图片描述

5.准备数据集

从roboflow下了一个行李数据集，下载地址：https://universe.roboflow.com/shudarshan-kongkham/baggage-jowci，我把它整合成yolov7支持的格式，如下：
请添加图片描述
百度网盘：链接
提取码：vuj9
但是需要根据自己的图片路径修改下面这三个txt文件，打开pathget.py
在这里插入图片描述
这里需要依次修改成test、train、val，运行三次，生成三个txt文件。
不过看到这里有人说了，怎么标记自己的数据集，下面开始讲

6.labelimg标记自己的数据集

在anaconda prompt中新建一个labelimg的环境

conda create -n labelimg python=3.6

新建完后，输入以下命令：

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完后输入labelimg等待出现labelimg界面，这样就安装成功了
在这里插入图片描述
如何使用：https://blog.csdn.net/klaus_x/article/details/106854136
右侧切换YOLO模式，生成txt格式的标记文件。

接下来进行训练集、验证集与测试集图片划分，把所有图片放到images文件夹，把标签放到labels文件夹，运行代码如下。
在这里插入图片描述
这里需要修改成自己的路径，下面的是生成划分好的数据集与.txt文件，这里的defect是我的一个缺陷数据集。

# 将图片和标注数据按比例切分为 训练集和测试集
import shutil
import random
import os
 
# 原始路径
image_original_path = "C:/Users/A/Desktop/datasets/images/"
label_original_path = "C:/Users/A/Desktop/datasets/labels/"
 
cur_path = os.getcwd()
 
# 训练集路径
train_image_path = os.path.join(cur_path, "datasets/defect/images/train/")
train_label_path = os.path.join(cur_path, "datasets/defect/labels/train/")
 
# 验证集路径
val_image_path = os.path.join(cur_path, "datasets/defect/images/val/")
val_label_path = os.path.join(cur_path, "datasets/defect/labels/val/")
 
# 测试集路径
test_image_path = os.path.join(cur_path, "datasets/defect/images/test/")
test_label_path = os.path.join(cur_path, "datasets/defect/labels/test/")
 
# 训练集目录
list_train = os.path.join(cur_path, "datasets/defect/train.txt")
list_val = os.path.join(cur_path, "datasets/defect/val.txt")
list_test = os.path.join(cur_path, "datasets/defect/test.txt")
 
train_percent = 0.6
val_percent = 0.2
test_percent = 0.2
 
 
def del_file(path):
    for i in os.listdir(path):
        file_data = path + "\\" + i
        os.remove(file_data)
 
 
def mkdir():
    if not os.path.exists(train_image_path):
        os.makedirs(train_image_path)
    else:
        del_file(train_image_path)
    if not os.path.exists(train_label_path):
        os.makedirs(train_label_path)
    else:
        del_file(train_label_path)
 
    if not os.path.exists(val_image_path):
        os.makedirs(val_image_path)
    else:
        del_file(val_image_path)
    if not os.path.exists(val_label_path):
        os.makedirs(val_label_path)
    else:
        del_file(val_label_path)
 
    if not os.path.exists(test_image_path):
        os.makedirs(test_image_path)
    else:
        del_file(test_image_path)
    if not os.path.exists(test_label_path):
        os.makedirs(test_label_path)
    else:
        del_file(test_label_path)
 
 
def clearfile():
    if os.path.exists(list_train):
        os.remove(list_train)
    if os.path.exists(list_val):
        os.remove(list_val)
    if os.path.exists(list_test):
        os.remove(list_test)
 
 
def main():
    mkdir()
    clearfile()
 
    file_train = open(list_train, 'w')
    file_val = open(list_val, 'w')
    file_test = open(list_test, 'w')
 
    total_txt = os.listdir(label_original_path)
    num_txt = len(total_txt)
    list_all_txt = range(num_txt)
 
    num_train = int(num_txt * train_percent)
    num_val = int(num_txt * val_percent)
    num_test = num_txt - num_train - num_val
 
    train = random.sample(list_all_txt, num_train)
    # train从list_all_txt取出num_train个元素
    # 所以list_all_txt列表只剩下了这些元素
    val_test = [i for i in list_all_txt if not i in train]
    # 再从val_test取出num_val个元素，val_test剩下的元素就是test
    val = random.sample(val_test, num_val)
 
    print("训练集数目：{}, 验证集数目：{}, 测试集数目：{}".format(len(train), len(val), len(val_test) - len(val)))
    for i in list_all_txt:
        name = total_txt[i][:-4]
 
        srcImage = image_original_path + name + '.jpg'
        srcLabel = label_original_path + name + ".txt"
 
        if i in train:
            dst_train_Image = train_image_path + name + '.jpg'
            dst_train_Label = train_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_train_Image)
            shutil.copyfile(srcLabel, dst_train_Label)
            file_train.write(dst_train_Image + '\n')
        elif i in val:
            dst_val_Image = val_image_path + name + '.jpg'
            dst_val_Label = val_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_val_Image)
            shutil.copyfile(srcLabel, dst_val_Label)
            file_val.write(dst_val_Image + '\n')
        else:
            dst_test_Image = test_image_path + name + '.jpg'
            dst_test_Label = test_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_test_Image)
            shutil.copyfile(srcLabel, dst_test_Label)
            file_test.write(dst_test_Image + '\n')
 
    file_train.close()
    file_val.close()
    file_test.close()
 
 
if __name__ == "__main__":
    main()

最后将datasets文件夹放在yolov7-main中
在这里插入图片描述

7.一些文件的修改

接着以行李箱识别为例，修改如下文件：
cfg\training中的yolov7.yaml，种类是多少就改成多少
在这里插入图片描述
在data文件中新建一个data.yaml，修改成刚刚数据集的路径

# train and val data as 1) directory: path\images\, 2) file: path\images.txt, or 3) list: [path1\images\, path2\images\]

train: D:\jmcode\2\yolov7-main\datasets\defect\train.txt
val: D:\jmcode\2\yolov7-main\datasets\defect\val.txt
test: D:\jmcode\2\yolov7-main\datasets\defect\test.txt
# number of classes
nc: 1

# class names
names: ['baggage']

在这里插入图片描述

8.训练与测试

接下来就可以开始训练了
cd到yolov7-main文件夹，输入以下命令开始训练：
我这里设置的batchsize是16，epoch是100

python train.py --workers 0 --device 0 --batch-size 16 --data data/data.yaml --img-size 320 320 --cfg cfg/training/yolov7.yaml --weights 'yolov7.pt' --name yolov7 --hyp data/hyp.scratch.p5.yaml --epochs 100

添加–cache-images加快训练速度

python train.py --workers 0 --device 0 --batch-size 16 --data data/data.yaml --img-size 320 320 --cfg cfg/training/yolov7.yaml --weights 'yolov7.pt' --name yolov7 --hyp data/hyp.scratch.p5.yaml --epochs 100 --cache-images

在这里插入图片描述
就可以慢慢等待训练了，训练好后，测试一下：

python detect.py --weights .\runs\train\yolov7\weights\best.pt --source .\datasets\defect\testImages\