yolov7从环境配置到训练自己的数据集及人体姿态估计AlexeyAB版本

yolov7从环境配置到训练自己的数据集AlexeyAB版本

前言

前几天美团发布yolov6，已经让人学不过来了，今天又看到yolov7发布，并且有AB大佬站台！本文将使用yolov7的过程记录下来，尽量从环境配置、测试到训练全部过一遍。
电脑基本配置：
1.Ubuntu20.04
2.cuda+cudnn
3.pycharm
4.GPU==3060ti

一、环境配置

相较于yolov5与yolov6的代码，yolov7中没有requirements.txt文件，也没有给出具体的环境配置要求，因此这一部分基本摸着石头过河吧 新版本已经有了requirements.txt。本实验中继续使用pycharm进行配置。
1.新建yolov7的虚拟环境
点击pycharm右下角添加yolov7环境

2.安装pytorch
建议先自行安装pytorch，因为直接按照requirements.txt进行安装的话，有可能会安装cpu版本的pytorch。进入pytorch官网：https://pytorch.org/，根据自己的电脑配置安装pytorch，主要是对应自己的cuda版本。在pycharm中点击终端，输入安装指令。

3.下载权重
这一步开始就是一次次尝试，缺啥装啥！
在github上就能够下载

我在CSDN上也有分享：Yolov7权重文件
下载后置于yolov7文件夹下。

4.补充环境
修改requirements.txt文件，因为前面安装了pytorch，可以将torch和torchvision注释掉

下一步就直接在终端输入：

pip install -r requirements.txt
1

然后在pycharm的yolov7环境下，开始运行detect.py。
1）缺少opencv

pycharm终端输入：

pip install opencv-python
1

继续运行detect.py
2):ModuleNotFoundError: No module named ‘pandas’
pycharm终端类似上面一样输入：

pip install pandas
1

3):ModuleNotFoundError: No module named ‘tqdm’
pycharm终端类似上面一样输入：

pip install tqdm
1

4）ModuleNotFoundError: No module named ‘yaml’
pycharm终端类似上面一样输入：

pip install pyyaml
1

5）ModuleNotFoundError: No module named ‘matplotlib’
pycharm终端类似上面一样输入：

pip install matplotlib
1

6)ModuleNotFoundError: No module named ‘seaborn’

pip install seaborn
1

至此我的环境配置可以满足yolov7的运行要求

在yolov7/runs/detect文件下将看到检测结果。到这一步，代表环境配置结束！

二、制作自己的数据集

yolov7依旧采用labelImg进行数据标注工作，labelImg下载地址：labelImg
下载解压后，进入labelImg文件夹中，开启终端，依次输入

sudo apt-get install pyqt5-dev-tools
sudo pip3 install -r requirements/requirements-linux-python3.txt
make qt5py3
python3 labelImg.py
1
2
3
4

安装后进行数据标注即可，注意选择yolo格式。

三、训练自己的数据集

1.划分数据
1）这里我是手动划分，没有写脚本。在yolov7/data文件夹下新建images和labels文件夹。

2）在images和labels文件夹下，分别新建三个文件夹（train、val、test）

在文件夹中对应手动放入图像和标签数据。
2.训练数据导入配置
在yolov7/data文件夹下新建dataset.yaml文件，并写入

train: pathto_you/data/images/train # train images
val: pathto_you/data/images/val # val images
test: pathto_you/data/images/test # test images (optional)

# Classes
nc: 1  # number of classes
names: ['QR']  # class names
1
2
3
4
5
6
7

将路径(pathto_you)改为自己的数据集路径，类别也是一样修改为自己的。
3.修改train.py

最主要是修改：
1）–weights:修改为yolov7.pt，也可以换为其他的预训练权重
2）–data:修改为上面的dataset.yaml
3）–epochs:酌情修改
4）–batch_size：数值越大，占用显卡内存越大
修改完成就可以开始训练了

和yolov5一样，在训练过程中，会计算当前的精度。训练时，会在yolov7文件夹下出现runs文件夹，训练结果就存在该文件夹下

与yolov5只保留最好和最后两个权重不同，yolov7会保留多个权重文件。

四、测试自己的权重

1.修改detect.py

将–weights指定为自己训练好的权重即可。
2.测试图像
将测试图像放入inference/images文件夹下，运行detect.py即可

测试结果在yolov7/runs/detect下
到此，yolov7训练自己的数据集记录完成，后续有其他的收获将继续补充。

五、yolov7人体姿势估计

最近yolov7更新了人体姿态估计的相关

1.下载权重
点击上图中yolov7-w6-pose.pt下载权重，置于yolov7根目录下

2.新建脚本
在根目录下新建test_point.py脚本文件，并写入

import torch
import cv2
from torchvision import transforms
import numpy as np
from utils.datasets import letterbox
from utils.general import non_max_suppression_kpt
from utils.plots import output_to_keypoint, plot_skeleton_kpts

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
weigths = torch.load('yolov7-w6-pose.pt')
model = weigths['model']
model = model.half().to(device)
_ = model.eval()

image = cv2.imread('./bus.jpg')
image = letterbox(image, 960, stride=64, auto=True)[0]
image_ = image.copy()
image = transforms.ToTensor()(image)
image = torch.tensor(np.array([image.numpy()]))
image = image.to(device)
image = image.half()

output, _ = model(image)

output = non_max_suppression_kpt(output, 0.25, 0.65, nc=model.yaml['nc'], nkpt=model.yaml['nkpt'], kpt_label=True)
output = output_to_keypoint(output)
nimg = image[0].permute(1, 2, 0) * 255
nimg = nimg.cpu().numpy().astype(np.uint8)
nimg = cv2.cvtColor(nimg, cv2.COLOR_RGB2BGR)
for idx in range(output.shape[0]):
    plot_skeleton_kpts(nimg, output[idx, 7:].T, 3)

#cv2.imwrite("pose.jpg",nimg)
cv2.imshow("pose",nimg)

cv2.waitKey(0)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

六、补充

1.yolov7继续接着训练
–resume这一行将defaul填入之前训练的权重，实现继续训练

2.调用摄像头出现TypeError: argument of type ‘int‘ is not iterable
在使用yolov7时，–source选择’0’调用笔记本摄像头时


解决方法：
修改dataset.py的285行

将原代码修改如下：

if 'youtube.com/' in str(url) or 'youtu.be/' in str(url):
1

附带资源

1.本次实验的项目，包含训练好的模型，二维码检测数据集等—yolov7训练自己的数据集+教程+二维码检测
2.口罩目标检测数据集Yolo格式-----口罩数据集
3.基于yolov7的训练好的口罩检测模型----口罩检测模型