今天又来说v7了 不过具了解及问了几个高手...v7并没这么... 嘿嘿 不好意思 学习的态度讨论而已
在Ubuntu 18.04系统,python 3.7.xx 下运行
代码的克隆和环境的安装在官网上也有指导,可以直接跳转到官网 (https://github.com/WongKinYiu/yolov7) 查看。下面是具体的操作,跟官网的一样。首先,直接把项目从官网上克隆下来,在终端输入如下命令
代码的克隆过程看服务器的网速,有的需要两三分钟,有的几十秒即可。克隆好了之后,打开yolov7,可以看到如下的文件。
不上图-- whaosoft aiot http://143ai.com
然后进入到项目文件夹中,进行环境的安装,分别输入一下两行代码即可。同样地,速度受服务器网速影响,但是都不会太久。
- cd yolov7
- pip install -r requirements.txt
下面是环境安装好之后的结果截图。
不上图--
环境安装好之后
这次我们使用的预训练模型是yolov7_training.pt
,这个模型是在MS COCO数据集上进行训练的,我们把这个模型下载到/yolov7/weights/
下。注意,我们需要创建一个/weights/
文件夹,用来统一存放我们的预训练模型。输入如下命令进行文件夹的创建,并进入到该文件夹下
- mkdir weights # 创建文件夹
- cd weights # 进入到该文件夹下
这些预训练的模型官网都有提供,掌握如何训练自己的数据集后可根据需求进行预训练模型的更改。官网的截图如下:
官网提供的预训练模型
在终端输入如下命令,即可下载预训练模型
wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7_training.pt
下图是下载过程的截图,同样是受服务器的网速影响。可以看到,我只有十几KB/s,而整个文件大小为75.6MB,所以这个速度是不够的。这里建议手动下载,然后手动传到服务器上,这样速度更快。
不上图--
下载完后(或者上传好后,我是手动下载再上传的),会在/weights/
得到一个如下图的文件
不用上图--
然后我们回到上一级工作路径下,也就是/yolov7/
下,输入如下命令
cd ..
到这里,我们的预训练权重也就下载好了。
这一步的重要目的,是测试环境是否都安装好了,如果能够顺利跑下来并得到相应的结果,就说明环境是安装好的了;如果没安装好,则再安装一次环境即可,也就是第2步。
首先,我们下载已经训练好的权重文件(这里的权重文件和Transfer Learning的预训练文件并不是同一个文件),同样地,下载到/weights/
下面。
- cd weights
- wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7.pt
- cd ..
下载好了之后,得到两个权重文件。接下来,就是直接进行测试了。现在我们在/yolov7/
这个工作路径下,输入如下命令
python detect.py --weights weights/yolov7.pt --source inference/images
参数说明
- --weights weight/yolov7.pt # 这个参数是把已经训练好的模型路径传进去,就是刚刚下载的文件
- --source inference/images # 传进去要预测的图片
如果得到如下的运行结果,则说明运行成功,预测的图片被保存在了/runs/detect/exp/
文件夹下
无需图--
查看其中一张图片,如下
推理前,在source里
推理后
到此,就说明环境安装好了,可以进行下面的数据准备工作。
我们生成/datasets/
文件夹,把数据都放进这个文件夹里进行统一管理。训练数据用的是yolo数据格式,不过多了两个.txt
文件,这两个文件存放的,是每个图片的路径,后面会具体介绍。
2.1. 创建文件夹
mkdir datasets
得到如下的结果
无需图--
2.2. 准备yolo格式数据集
如果不懂yolo格式数据集是什么样子的,建议先学习一下。大部分CVer都会推荐用labelImg进行数据的标注,我也不例外,推荐大家用labelImg进行数据标注。不过这里我不再详细介绍如何使用labelImg,网上有很多的教程。同时,标注数据需要用到图形交互界面,远程服务器就不太方便了,因此建议在本地电脑上标注好后再上传到服务器上。
这里假设我们已经得到标注好的yolo格式数据集,那么这个数据集将会按照如下的格式进行存放。
不过在这里面,train_list.txt
和val_list.txt
是后来我们要自己生成的,而不是labelImg生成的;其他的则是labelImg生成的。
接下来,就是生成 train_list.txt
和val_list.txt
。train_list.txt
存放了所有训练图片的路径,val_list.txt
则是存放了所有验证图片的路径,如下图所示,一行代表一个图片的路径。这两个文件的生成写个循环就可以了,不算难。
到此,数据集就已经准备好了。
总共有两个文件需要配置,一个是/yolov7/cfg/training/yolov7.yaml
,这个文件是有关模型的配置文件;一个是/yolov7/data/coco.yaml
,这个是数据集的配置文件。
第一步,复制yolov7.yaml
文件到相同的路径下,然后重命名,我们重命名为yolov7-Helmet.yaml
。
第二步,打开yolov7-Helmet.yaml
文件,进行如下图所示的修改,这里修改的地方只有一处,就是把nc修改为我们数据集的目标总数即可。然后保存。
第一步,复制coco.yaml
文件到相同的路径下,然后重命名,我们命名为Helmet.yaml
。
第二步,打开Helmet.yaml
文件,进行如下所示的修改,需要修改的地方为5处。第一处:把代码自动下载COCO数据集的命令注释掉,以防代码自动下载数据集占用内存;第二处:修改train的位置为train_list.txt
的路径;第三处:修改val的位置为val_list.txt
的路径;第四处:修改nc为数据集目标总数;第五处:修改names为数据集所有目标的名称。然后保存。
至此,相关的文件已经配置完成。
训练用到之前提到的三个文件:预训练模型yolov7_training.pt
、yolov7-Helmet.yaml
和Helmet.yaml
,当然还有一些其他的超参数,具体的命令如下:
python train.py --weights weights/yolov7.pt --cfg cfg/training/yolov7-Helmet.yaml --data data/Helmet.yaml --device 0,1 --batch-size 64 --epoch 10
然后运行界面如下,图中红色部分表示开始扫描数据,然后会在yolov7/datasets/Helmet/
下生成两个缓存文件,这两个文件是方便模型进行数据读取生成的,训练过程中不要删除。扫描完后模型会开始训练,如下图。
模型训练中
下面简单介绍一下相关的参数。
- --weights weights/yolov7.pt # 接收预训练模型路径的参数
- --cfg cfg/training/yolov7-Helmet.yaml # 接收模型配置文件的参数
- --data data/Helmet.yaml # 接收数据配置文件的参数
- --device 0,1 # GPU/CPU训练,我有2块,因此为0,1;若1块,则0;若CPU,则cpu
- --batch-size 64 # 按照自己GPU内存大小大致确定
- --epoch 10 # 不用多说;我仅展示,因此不训练那么多次了
更多的参数可以从train.py
文件中找到,如下图
训练结束后,终端会打印出最好的模型和最后一个epoch的模型结果保存在哪里,如下图所示,
无需图---
训练结束
在/runs/train/exp/
下,也存了其他的训练结果文件,比如每个epoch的结果到保存到了.txt
文件夹里,如下图所示;有兴趣的可以自行探索。
推理其实就是跟二-4. 测试一下
里的差不多,无非就是把相关的权重文件和测试图片换一下即可。
python detect.py --weights runs/train/exp3/weights/best.pt --source datasets/testImages
推理的结果如下所示
无需图--
最后完成了...