Yolov7：安装配置以及训练自己的训练集_yolov7下载安装
赞
踩
yolov7：安装配置以及训练自己的数据集
1.安装并测试yolov7
1.下载yolov7源码及yolov7权重
源码和权重在github上下载，权重下载完放在yolov7源码根目录
https://github.com/WongKinYiu/yolov7
不方便的下载百度云连接：
链接：https://pan.baidu.com/s/1eT2dkvYJBxwIER1bGNtGZQ
提取码：ytkm
下载完源码和权重后在pycharm中打开。
2.环境配置
在Anconda中创造Yolov7环境：
激活Yolov7环境 并安装Yolov7所需各种包，采用清华镜像源安装所需包，在终端中执行命令
activate yolov7
- 1
pip install -r F:\objectdet\yolov7-main/requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
- 1
将requirements.txt路径改为源码中requirements.txt所在路径。
如果完全按照requirements.txt来安装的话，你会发现安装的torch版本并不是gpu版本，所以得重新安装gpu版本的才能用你的gpu来训练Yolov7
安装pytorch
进入pytorch官网：Start Locally | PyTorch
根据版本选择，然后在终端中输入红框所示指令
在终端中输入pip list查看安装的包
在pycharm中安装环境
3.测试
运行detect.py，可进行测试。
测试文件在inference文件夹下，可修改测试内容
2.样本标注软件labelimg的安装和使用
1.安装labelimg：ctrl+R输入cmd打开终端输入命令行快速安装。
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple
- 1
2.打开labelimg:在命令行中输入快速打开。
labelimg
- 1
3.基本使用方法：
主要操作：打开软件后选择标注图片目录和存放标注XML格式文件目录，按W画框框住目标后进行标注，将目标逐一标注完后按D切换至下一张，保存文件为XML格式，可用文本编辑器打开。
基本快捷键：按W快捷键画框，按A和D切换下一张，ctrl+滚轮调整图片大小，左键拖动，ctrl+S保存。
建议设置：建议打开自动保存方便保存和显示标注框和标签防止标错。
注意：如果在labelimg中打不开XML文件可能是新旧版本问题，可尝试将路径改为英文路径。
3.训练自己的数据
1.转换数据
我们需要将用标注软件生成的XML格式文件转为TXT文件。
我们先根据以下格式创建文件夹。
将图片和标注文件分别放到images和Annotations文件夹中。
运行代码text_yolo.py，代码如下，注意修改class_names，xmlpath,txtpath。
import os.path import xml.etree.ElementTree as ET class_names = ['0','1','2','3','4','5','6','7','8','A','B','C','D','E','F','G','H','I','J','K','L', 'M','N','O','P','Q','R','S','T','U','V','W','X','Y','Z','&'] xmlpath = "D:\\Downloads\\yolov7-main\\VOCData\\Annotations\\" # 原xml路径 txtpath = "D:\\Downloads\\yolov7-main\\VOCData\\txts\\" # 转换后txt文件存放路径 files = [] if not os.path.exists(txtpath): os.makedirs(txtpath) for root, dirs, files in os.walk(xmlpath): None number = len(files) #number = 409 # 若无法识别可手动输入数据集数量 print(number) i = 0 while i < number: name = files[i][0:-4] xml_name = name + ".xml" txt_name = name + ".txt" print(name) xml_file_name = xmlpath + xml_name txt_file_name = txtpath + txt_name xml_file = open(xml_file_name,"rb") tree = ET.parse(xml_file) root = tree.getroot() # filename = root.find('name').text # image_name = root.find('filename').text w = int(root.find('size').find('width').text) h = int(root.find('size').find('height').text) f_txt = open(txt_file_name, 'w+') content = "" first = True for obj in root.iter('object'): name = obj.find('name').text class_num = class_names.index(name) xmlbox = obj.find('bndbox') x1 = int(xmlbox.find('xmin').text) x2 = int(xmlbox.find('xmax').text) y1 = int(xmlbox.find('ymin').text) y2 = int(xmlbox.find('ymax').text) if first: content += str(class_num) + " " + \ str((x1 + x2) / 2 / w) + " " + str((y1 + y2) / 2 / h) + " " + \ str((x2 - x1) / w) + " " + str((y2 - y1) / h) first = False else: content += "\n" + \ str(class_num) + " " + \ str((x1 + x2) / 2 / w) + " " + str((y1 + y2) / 2 / h) + " " + \ str((x2 - x1) / w) + " " + str((y2 - y1) / h) # print(str(i / (number - 1) * 100) + "%\n") print(content) f_txt.write(content) f_txt.close() xml_file.close() i += 1
- 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
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
TXT文件夹结果：
左边数字表示类的序号
2.划分训练集和验证集
在ImagesSets/Main下生成train.txt，val.txt。
运行代码split_train_val.py，代码如下，注意修改xmlfilepath,saveBasePath。
import os import random random.seed(0) xmlfilepath = 'D:\\Downloads\\yolov7-main\\VOCData\\Annotations' saveBasePath ='D:\\Downloads\\yolov7-main\\VOCData\\ImageSets\\main' # ----------------------------------------------------------------------# # 想要增加测试集修改trainval_percent # train_percent不需要修改 # ----------------------------------------------------------------------# trainval_percent = 1 train_percent = 0.8 temp_xml = os.listdir(xmlfilepath) total_xml = [] for xml in temp_xml: if xml.endswith(".xml"): total_xml.append(xml) num = len(total_xml) list = range(num) tv = int(num * trainval_percent) tr = int(tv * train_percent) trainval = random.sample(list, tv) train = random.sample(trainval, tr) print("train and val size", tv) print("traub suze", tr) ftrainval = open(os.path.join(saveBasePath, 'trainval.txt'), 'w') ftest = open(os.path.join(saveBasePath, 'test.txt'), 'w') ftrain = open(os.path.join(saveBasePath, 'train.txt'), 'w') fval = open(os.path.join(saveBasePath, 'val.txt'), 'w') for i in list: name = total_xml[i][:-4] + '\n' if i in trainval: ftrainval.write(name) if i in train: ftrain.write(name) else: fval.write(name) else: ftest.write(name) ftrainval.close() ftrain.close() fval.close() ftest.close()
- 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
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
3.生成最终结果
根据train.txt和val.txt将图片和txt分别复制到labels和images。
运行代码clauculate_anchors.py，代码如下，注意修改各种路径，以及图片的后缀名。
import os import shutil from tqdm import tqdm SPLIT_PATH = "D:\\Downloads\\yolov7-main\\VOCData\\ImageSets\\main\\" IMGS_PATH = "D:\\Downloads\\yolov7-main\\VOCData\\images\\" TXTS_PATH = "D:\\Downloads\\yolov7-main\\VOCData\\txts\\" TO_IMGS_PATH = "D:\\Downloads\\yolov7-main\\VOCData\\lesson\\images\\" TO_TXTS_PATH = "D:\\Downloads\\yolov7-main\\VOCData\\lesson\\labels\\" data_split = ['train.txt', 'val.txt'] to_split = ['train2017', 'val2017'] for index, split in enumerate(data_split): split_path = os.path.join(SPLIT_PATH, split) to_imgs_path = os.path.join(TO_IMGS_PATH, to_split[index]) if not os.path.exists(to_imgs_path): os.makedirs(to_imgs_path) to_txts_path = os.path.join(TO_TXTS_PATH, to_split[index]) if not os.path.exists(to_txts_path): os.makedirs(to_txts_path) f = open(split_path, 'r') count = 1 for line in tqdm(f.readlines(), desc="{} is copying".format(to_split[index])): # 复制图片 src_img_path = os.path.join(IMGS_PATH, line.strip() + '.bmp') dst_img_path = os.path.join(to_imgs_path, line.strip() + '.bmp') if os.path.exists(src_img_path): shutil.copyfile(src_img_path, dst_img_path) else: print("error file: {}".format(src_img_path)) # 复制txt标注文件 src_txt_path = os.path.join(TXTS_PATH, line.strip() + '.txt') dst_txt_path = os.path.join(to_txts_path, line.strip() + '.txt') if os.path.exists(src_txt_path): shutil.copyfile(src_txt_path, dst_txt_path) else: print("error file: {}".format(src_txt_path))
- 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
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
最终结果：
Lesion/images/train2017 中存放的是所有训练图片
Lesion/images/val2017 中存放的是所有验证图片
Lesion/labels/train2017 中存放的是所有训练图片的目标框txt
Lesion/labels/val2017 中存放的是所有验证图片的目标框txt
4.创建myData.yaml
在data文件夹中复制一份coco.yaml重命名为myData.yaml，以此为蓝本修改训练集，验证集，类数，类名。
注意train.py中使用的权重
修改使用权重中类数
根据计算机的性能选择黄框内参数，如果报错out of memory 错误，可能是电脑显存不足，也可能是cuda自身限制函数。可以将调低batch-size，至少为1或者将图片大小调小。其他参数可以参照我的数据修改，主要修改红框数据。
设置完成无误后运行train.py，开始训练，结果保存在runs/train/exp下。
5.测试
训练完后用detect.py进行测试，修改权重和路径，将权重改为训练所得pt文件（结果在runs/train/exp/weights/下）
#### 6.生成onnx格式文件
1.安装依赖库：
在打开终端命令行中快速安装：
pip install onnx coremltools onnx-simplifier
- 1
2.生成onnx格式文件：
打开终端在命令行中输入：
python models/export.py --weights runs\train\exp7\weights\best.pt --img 640 --batch 1
python models/export.py --weights ..\runs\train\exp7\weights\best.pt --include onnx
- 1
- 2
img-q45V08nG-1681695911482)]
6.生成onnx格式文件
1.安装依赖库：
在打开终端命令行中快速安装：
pip install onnx coremltools onnx-simplifier
- 1
2.生成onnx格式文件：
打开终端在命令行中输入：
python models/export.py --weights runs\train\exp7\weights\best.pt --img 640 --batch 1
python models/export.py --weights ..\runs\train\exp7\weights\best.pt --include onnx
- 1
- 2
注意修改训练得到的pt文件路径，生成onnx文件是pt文件大小的两倍左右，如果不是可能是哪里有问题。
