保姆级官方YOLOv7训练自己的数据集及项目部署详解

1. 前置条件

在开始使用官方YOLOv7训练自己的数据集之前，需要先安装以下软件和库：

• Anaconda或Miniconda
• PyTorch
• CUDA（如果需要GPU加速）

同时，还需要一些基本编程知识，如Python语言基础、深度学习算法基础等。

2. 下载官方YOLOv7代码

在终端中使用以下代码将官方YOLOv7代码库clone到本地计算机：

git clone https://github.com/wang-xinyu/tensorrtx.git

3. 数据集准备

在使用官方YOLOv7训练自己的数据集之前，需要对数据集进行一些处理。首先，需要将数据集划分为训练集和测试集，通常使用70%的数据作为训练集，30%的数据作为测试集。然后，还需要将数据集标注为每个物体的位置和类别。YOLOv7支持的数据集格式包括VOC格式和COCO格式。最后，还需要使用数据增强的方法对训练集进行增强。

以下示例是使用VOC格式数据集的数据准备代码：

# 初始化VOC数据集对象
voc_dataset = VOCDataset('path/to/voc/dataset', 'trainval', transform=transforms.Compose([Normalizer(), Augmenter(), Resizer()]))

# 迭代读取VOC数据集的训练图片和标注
dataloader = DataLoader(voc_dataset, batch_size=1, shuffle=False, num_workers=0, collate_fn=collater)

for idx, data in enumerate(dataloader):
  # 保存训练图片
  cv2.imwrite('path/to/train/images/' + str(idx) + '.jpg', data['img'].squeeze(0).permute(1,2,0).numpy().astype(np.uint8))

  # 保存训练图片的标注
  with open('path/to/train/labels/' + str(idx) + '.txt', 'w') as f:
    boxes = data['annot'].squeeze(0).numpy()
    for bbox in boxes:
      if bbox[0] < 0:
        break
      label = voc_classes[int(bbox[4])]
      x1, y1, x2, y2 = bbox[:4] * np.array([data['img'].shape[3], data['img'].shape[2], data['img'].shape[3], data['img'].shape[2]])
      x1, y1, x2, y2 = int(x1), int(y1), int(x2), int(y2)
      f.write(f"{label} {x1} {y1} {x2} {y2}\n")

4. 训练YOLOv7模型

在数据集准备完毕后，可以开始使用官方YOLOv7训练自己的数据集。训练模型需要使用train.py脚本，可以通过修改--data参数指定自己的数据集路径、--cfg参数指定模型配置文件、--epochs参数指定训练轮数等参数进行自定义。

以下示例是使用VOC格式数据集的训练代码：

# 进入YOLOv7代码库目录
cd tensorrtx/yolov7

# 运行训练脚本
python3 train.py --data /path/to/voc/ --cfg ./cfg/yolov7-custom.cfg --epochs 30 --weights '' --name yolov7-custom

5. 模型部署

经过数轮训练后，YOLOv7模型就可以用于目标检测和物体识别。下面是使用YOLOv7模型进行目标检测的示例代码：

# 加载YOLOv7模型
model = attempt_load('weights/yolov7-custom.pt', map_location=torch.device('cuda:0' if torch.cuda.is_available() else 'cpu'))

# 初始化测试图片
img = cv2.imread('path/to/test/image.jpg')

# 进行目标检测
orig_size = img.shape[:2]
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img = preprocess(img, opt.img_size).cuda()
pred = model(img)[0]
pred = non_max_suppression(pred, 0.1, 0.5)

# 可视化检测结果
for i, det in enumerate(pred):
  if det is not None and len(det):
      det[:, :4] = scale_coords(img.shape[2:], det[:, :4], orig_size).round()
  for *xyxy, conf, cls in det:
      label = f'{voc_classes[int(cls)]} {conf:.2f}'
      plot_one_box(xyxy, img0, label=label, color=colors[int(cls)], line_thickness=3)

# 保存检测结果
cv2.imwrite('path/to/test/image_detection.jpg', img0)

6. 总结

本文详细介绍了如何使用官方YOLOv7训练自己的数据集，并讲解了模型训练和部署的流程和示例代码。希望能够对大家了解YOLOv7目标检测和物体识别算法有所帮助。