yolov7 entrena su propio conjunto de datos
1. Instalar yolov7 y configurar
1. Instalar Anaconda
Miniconda Tsinghua fuente: https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/
Miniconda3-py38_4.9.2-Windows-x86_64.exe: https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py38_4.9.2-Windows-x86_64.exe
2. Crea un entorno virtual
Encuentra Anaconda en el inicio y abre
1. Crear
conda create -n yolov7 python=3.7 -y
2. Activar
conda activate yolov7
3. Sal del entorno
conda deactivate
3. Descarga el código fuente de yolov7
Método 1: sitio web oficial de yolov7: https://github.com/WongKinYiu/yolov7
Método 2: abra cmd e ingrese el siguiente comando
git clone https://gitee.com/YFwinston/yolov7.git
cd yolov7
4. Descargar Peso
Método 1: Descarga desde Baidu Netdisk https://pan.baidu.com/s/1DbG5bI_Sm1U62poE9yb5dQ
Código de extracción: cvss
Método 2: Descarga desde el sitio web oficial (muy lento y no recomendado)
Abra el sitio web oficial y desplácese hacia abajo para encontrar
el sitio web de Testing yolov7: https:/ /github.com/WongKinYiu/yolov7
Después de completar la descarga del peso, arrástrelo a la carpeta descargada de yolov7
5. Instalar dependencias
Después de abrir la carpeta yolov7, confirme si hay un documento requirements.txt en la carpeta.
Ingrese cmd arriba de la carpeta y presione Enter para abrirlo como se muestra en la figura
. Ingrese el siguiente comando en el cmd abierto (puede tomar un tiempo instalar)
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
2. Ejecutar la detección de objetivos
Abra la carpeta donde se encuentra yolov7,
tome una hermosa foto de usted mismo y colóquela en la carpeta de imágenes en la carpeta de inferencia,
abra cmd en la carpeta yolov7 y active el entorno yolov7, luego ejecute detect.py para la detección
conda activate yolov7
python detect.py --weights yolov7x.pt --conf 0.25 --img-size 640 --source inference/images/horses.jpg
horse.jpg se puede cambiar a su propio nombre de imagen
Si se informa un error: ModuleNotFoundError: ningún módulo llamado entrada 'cv2' en cmd
pip install opencv-contrib-python
Los resultados de la ejecución están en la carpeta de ejecución/detectar
3. Entrenamiento a partir del conjunto de datos
1. Cree los archivos necesarios
Como se muestra en la figura, creamos la carpeta de conjuntos de datos en yolov7 y luego creamos las carpetas de imágenes y etiquetas. Una se usa para colocar imágenes y la otra se usa para almacenar los datos txt después de procesar las imágenes jpg en la carpeta de imágenes. Coloque la imágenes que necesita para
entrenar Coloque una cantidad similar de imágenes en las dos carpetas en imágenes/entrenar y val
2. Descarga la herramienta de etiquetado labelImg
Consulte:::: tutorial de labelImg,
primero abra Anaconda
e ingrese el siguiente comando para instalar
pip install labelImg
Después de que la instalación sea exitosa, ingrese labelImg en cmd para abrir
labelImg
Presione w para seleccionar el objeto que desea marcar
3. Configurar archivos relacionados con la formación
Hay un total de dos archivos que deben configurarse, uno es /yolov7/cfg/training/yolov7.yaml, que es el archivo de configuración del modelo, el otro es /yolov7/data/coco.yaml, que es el archivo de configuración del conjunto de datos.
1. El primer paso es copiar el archivo yolov7.yaml en la misma ruta y luego renombrarlo, lo renombramos a yolov7-xxx.yaml (con el nombre que desee) y luego abrir
2. Copiar el archivo coco.yaml al mismo Debajo de la ruta, y luego cámbiele el nombre, lo llamamos xxx.yaml. (Elija un nombre que le guste) Después de abrir, haga cambios como se muestra en la figura a continuación
ok
4. Formación reglada
En este punto, estamos en cmd en la ruta de la carpeta yolov7, activamos el entorno virtual e ingresamos el comando
conda activate yolov7
Después de activar el entorno, ingrese
python train.py --weights yolov7x.pt --cfg cfg/training/yolov7-xxx.yaml --data data/xxx.yaml --batch-size 8 --epoch 300 --device 0
Tenga en cuenta que debe cambiar xxx a su propio nombre de archivo.
Aquí usamos gpu para entrenamiento. Si usa cpu para eliminar --device 0
Explicación de los parámetros
–cfg acepta parámetros de configuración del modelo
–data recibe parámetros de configuración de datos
–dispositivo 0 tipo de entrenamiento, soy una GPU, así que use 0
–tamaño de lote 8 El tamaño de la memoria GPU determina
–tiempos de entrenamiento de época, se recomienda 300
–pesos peso de entrenamiento
5. Usa tus propios pesos
Al igual que detectar, ingrese al entorno virtual e ingrese la ruta de peso y la ruta de la imagen y estará bien, el comando es el siguiente
Saqué best.pt directamente debajo de la ruta de la carpeta yolov7.El comando que acaba de entrenar en carreras/entrenamiento/círculo/pesos/best.pt es el siguiente
python detect.py --weights best.pt --source xxx --device 0
Preste atención para reemplazar xxx con su propia ruta de imagen
ok