前期准备:
环境配置:
深度学习环境配置——(Cuda11)windows下的torch==1.7.1环境配置_请让我按时毕业的博客-CSDN博客
代码下载:
https://github.com/WongKinYiu/yolov7/blob/main/README.md
编译器:
VSCODE的安装与配置Anaconda环境_vscode如何配置conda环境_请让我按时毕业的博客-CSDN博客
权重下载:
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。在linux系统下,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
或在终端输入如下命令,即可下载预训练模型 (linux系统下)
wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7_training.pt
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。
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
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 (linux系统下)
cd ..
到这里,我们的预训练权重也就下载好了。
测试:
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
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。
或者在linux系统下:
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
数据准备:
1. 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. 准备yolo格式的数据
2.1. 创建文件夹(linux系统下)
mkdir datasets
得到如下的结果(该文件夹用来同意管理数据)
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(可参考这篇文章)。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。(可参考这篇文章的法二)
结果如下所示:(其中Annotations是VOC转YOLO后,标注文件所在的文件夹,图中train.txt代替train_list.txt
)
一行代表一张图片的路径,这是绝对路径,因为工作路径是yolov7,加上这一行就模型就会找到图片的位置了。
到此,数据集就已经准备好了。
配置训练的相关文件:
1. 前言
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。
2. 配置模型文件
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-pig.yaml
。
第二步,打开yolov7-pig.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
3. 配置数据集文件
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Pig.yaml
。
第二步,打开Pig.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。(同理,用train.txt代替train_list.txt
)
开始训练:
1. 前言
训练用到之前提到的三个文件:预训练模型yolov7_training.pt
、yolov7-pig.yaml
和Pig.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_training.pt --cfg cfg/training/yolov7-pig.yaml --data data/Pig.yaml --device 0,1 --batch-size 64 --epoch 10
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-pig.yaml # 接收模型配置文件的参数
--data data/Pig.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
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。
更多的参数可以从train.py
文件中找到,如下图
训练结果与推理
1. 训练结果
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,
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。
2. 推理
推理其实就是跟测试
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
推理的结果不展示,可自行测试。
以上就是其全部内容。