YOLOV7详细解读（四）训练自己的数据集

前言

继美团发布YOLOV6之后，YOLO系列原作者也发布了YOLOV7。
YOLOV7主要的贡献在于：

1.模型重参数化
YOLOV7将模型重参数化引入到网络架构中，重参数化这一思想最早出现于REPVGG中。
2.标签分配策略
YOLOV7的标签分配策略采用的是YOLOV5的跨网格搜索，以及YOLOX的匹配策略。
3.ELAN高效网络架构
YOLOV7中提出的一个新的网络架构，以高效为主。
4.带辅助头的训练
YOLOV7提出了辅助头的一个训练方法，主要目的是通过增加训练成本，提升精度，同时不影响推理的时间，因为辅助头只会出现在训练过程中。

一、下载整个项目

通过git 下载

git clone https://github.com/WongKinYiu/yolov7.git

或者直接下载压缩包

二、安装所需环境

建议使用conda虚拟环境

conda  create  --name  yolov7_env python=3.7 
conda activate yolov7_env

pip install -r requirements.txt

三、准备数据集

生成训练、验证的TXT文件：

import os
def get_txtdata(path):
    VOCdevkit_path = path
    file_names = os.listdir(VOCdevkit_path+"/images")
    train_num = 400
    train_path = os.path.join(VOCdevkit_path,'train.txt')
    val_path = os.path.join(VOCdevkit_path,'val.txt')
    train_file = open(train_path, 'w')
    val_file = open(val_path, 'w')

    for name in file_names[0:train_num]:
        img_path = os.path.join(VOCdevkit_path+"/Images",name)
        train_file.write(img_path + '\n')
    train_file.close()

    for name in file_names[train_num:]:
        img_path = os.path.join(VOCdevkit_path+"/Images",name)
        val_file.write(img_path + '\n')
    val_file.close()

if __name__=="__main__":
    VOCdevkit_path = 'dataset2'
    get_txtdata(VOCdevkit_path)

如图所示：

images：图片文件

labels：标签文件

train.txt：训练数据集的位置

val.txt：验证数据集的位置

四、配置文件

在data目录下新建一个yaml配置文件，按如图所示格式输入自己训练数据的信息

name：类别名字

nc：类别数量

train：训练集文件位置

val：验证集文件位置

names:
- balls
- person

nc: 2
train: dataset2/train.txt
val: dataset2/val.txt

五、下载权重文件

如下图所示，官网下载，但是速度会比较慢。
项目已经上传到网盘，可以通过网盘下载（链接在评论中）。

六、开始训练

修改模型名字和配置文件位置

python3 train.py

七、推理

模型路径和图片路径需要换成自己的

python3 detect.py

附录：遇到的问题

运行train.py的时候报错

subprocess.CalledProcessError: Command 'git tag' returned non-zero exit status 128.

解决：

这是由于网络波动或者防火墙无法连接到github下载权重文件。

手动下载权重文件，并修改名字yolo7.pt–>yolov7.pt

parser.add_argument('--weights', type=str, default='yolov7.pt', help='initial weights path')