跑通官方的yolov7-tiny实验记录（yolov7-tiny可作为yolov5s的对比实验网络）

1. 一些可用的参考链接

• 官方YOLOv7 项目地址：https://github.com/WongKinYiu/yolov7
• 如果想设置早停机制，可以参考这个链接：yolov7自动停止（设置patience）且输出最优模型时的PR图（test best.py）
• 学习train.py中的参数含义，可参考手把手调参最新 YOLOv7 模型 训练部分 - 最新版本（二）
• 学习detect.py中的参数含义，可参考手把手调参最新 YOLOv7 模型 推理部分 - 最新版本（一）

2. 开始训练yolov7

yolov7-tiny
参数量：6023106
GFLOPs：13.2

• 🍀参考链接：Yolov7训练自己的数据集（超详细）
• 参数详解参考的链接：YOLOV7开源代码讲解–训练参数解释

1. 先进入官网下载yolov7-main代码（直接下载的master根目录代码）
2. 直接点击下载yolov7-tiny.pt，有12MB
   如果是要在AutoDL中训练，则需要再下载Arial.ttf字体后上传到yolov7-main根目录下
3. 先跟着以下训练命令中创建或者配置好一些文件，再回来复制这里面的训练命令，粘贴进终端开始训练

先放上我的训练命令，然后讲解设置到的重要参数的含义：

建议：以下参数可以直接通过更改train.py的default值来设置，通过default值来设置的好处是：
1）直接运行train.py即可，不用每次都来重复设置这些值
2）避免以后回顾代码时忘记了自己参数是怎么设置的
3）忘记在哪里看到了，说是在pycharm中直接运行py文件会比在终端设置参数来运行的训练速度快一些；如果是在AutoDL上训练那就没啥影响，因为是必须在终端中用命令来运行的。但是我觉得因为前2点原因还是直接先在py中设置好default值比较方便

python train.py --weights yolov7-tiny.pt --cfg cfg/training/yolov7-tiny.yaml --data data/mydata.yaml --hyp data/hyp.scratch.p5.yaml --epochs 300 --batch-size 32 --workers 16 --name yolov7-tiny
1

其他的重要参数：

• --adam：命令行中直接加上--adam则表示使用Adam优化器，否则默认使用SGD（如果是自制数据集，建议使用Adam[其实这个策略也是学到的，忘记从哪儿学到的了，可自行尝试一下]。训练yolov5时我对比了一下，使用SGD时loss值变化比较平缓，相反Adam会比较波动。但是采用Adam训练结束之后，各项指标值比如map0.5、FPS等会高一些）

• --img-size：设置将图像缩放至img-size统一尺寸，再喂入数据网络训练（默认是[640, 640]，通常数据集采用这个尺寸就行了。如果是大分辨率图像且采用更大的网络，可适当调大img-size，保持是32的倍数就好。img-size值越大，占用显存就越多，训练速度就更慢，对显卡的要求就越高）

• --rect：命令行中直接加上--rect则表示开启矩形推理（可以试试不开启和开启这个参数，然后对比训练结果。兴许开启之后会效果好一些）

• --resume：命令行中加上--resume True则表示进行断点训练（需要开启这个命令通常是因为【训练突然中断or还想继续训练】，有需要的话可参考我这个博客进行更改👉yolov5ds-断点训练、继续训练、先终止训练并调整最终epoch（yolov5同样适用））

剩下的参数，可以参见我分享出来的训练参数解释链接

---

2.1 --weights

--weights：用于指明预训练权重文件位置（如果不需要预训练权重，则使default值为空即''即可，或者终端中命令参数写成--weights ''）

本篇文章是要使用yolov7-tiny，所以用到了yolov7-tiny.pt预训练权重。点击下载yolov7-tiny.pt

2.2 --cfg

--cfg：用于指明模型的配置文件（这个要指明training文件夹下的yolov7-tiny，注意是training下的yaml，不是deploy下的，写成这样：--cfg cfg/training/yolov7-tiny.yaml）

2.3 --data

--data：用来指明自己的配置数据来源，建议将data文件夹下的coco.yaml复制另存为mydata.yaml。命令中写成--data data/mydata.yaml

注意：数据集不用必须存放到当前项目中，只要在mydata.yaml文件中的train、val、test指明的txt文件包含了相应任务的图像绝对路径即可。（或者是直接在这里写上文件夹地址也可以，最好是绝对路径。images和labels排布如下所示）

如果已经存在如下的datasets数据集分布，则可以去我博客【脚本】生成已划分好训练集、验证集、测试集的数据集对应的train.txt、val.txt、test.txt【包含图像的绝对地址】调用代码生成所需txt文件：

datasets
├─images
│  ├─test
│  ├─train
│  └─val
├─labels
   ├─test
   ├─train
   └─val
1
2
3
4
5
6
7
8
9

2.4 --hyp

--hyp：超参数配置文件，我使用的是默认的data/hyp.scratch.p5.yaml文件（我将这个里面的数据增强给关掉了，yolov5中的在线数据增强我也关掉了，因为有人说过：自制的数据集本来复杂度就不够，开启在线数据增强的话，很容易训练效果不好，造成过拟合。但是我看还有一个超参数文件是data/hyp.scratch.tiny.yaml，不知道是不是专门用于tiny效果会好点，正在实验中[结果就是，这个tiny.yaml的超参数配置没有p5.yaml的效果好，map0.5降了2个点。还是就是用默认的超参数设置吧]）

关闭在线数据增强的方式就是，将15行以下的值全部改为0：

2.5 --epochs

--epochs：训练的轮数，默认为300（如果是自制数据集，类别不多且图像张数不多、复杂度也不是太多的话，设置200~300肯定是够的了）

2.6 --batch-size

--batch-size：设置一次性选用多少张图像进行训练（下图引自手把手调参最新 YOLOv7 模型 训练部分 - 最新版本（二））

（通常是8、16、32、64，这取决于自己的GPU内存有多大，大的话就可以设置多点，小的话设置成1、2、4、6、24等，最好是2的倍数。通常论文里面设置成的32、64）

2.7 --workers

--workers：训练时使用的CPU线程数。如果是在windows上训练，一定要设置成0，不然会出错；如果是Linux系统，通常设置成8、16（设置得越大，训练可能会快点）

2.8 --name

--name：设置结果保存文件夹的名称，默认是exp（建议使用这个参数，指明本次实验结果是训练什么模型，以免后续再回顾实验结果时搞不清楚，写成--name yolov7-tiny）