目录
上篇文章:YOLOv7(目标检测)入门教程详解---环境安装 我们将yolov7外部需要的环境已经全部安装完成,那么这篇文章我们直接进行yolov7的实战----检测,推理,训练。
点击Code,Download ZIP 把yolov7的源码包下载下来
下载好后打开yolov7源码包
在文件路径输入cmd进入终端
之后在终端activate进入之前创建的环境,并且输入
pip install -r requirements.txt
强调:关掉电脑VPN
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple,输入这个指令可能会更快一点
我是之前安装过后,所有再输入安装指令后就会显示全部满足,你们也可以通过这样查看自己是否安装成功
此时我们来到官网下载权重,一个是Test用的yolov7.pt
一个是之后 Train 用的yolov7_training.pt
在yolov7的文件夹路径下建一个weights文件夹,然后把刚刚下载好的两个权重放进去。
此刻基本需要的环境和文件都已经准备完成了,接下来我们就可以进行detect(检测了)
进入虚拟环境,输入以下指令
python detect.py --weights weights/yolov7.pt --source inference/images
--weights 指令就是代表权重 --source 是照片存在的路径
检测过程如下
这里可以使用GPU和CPU两种方式进行检测,因为我们之前装了cuda和cudnn所以可以用GPU
只不过我们需要输入--device 0 这个指令,不输入则默认为CPU,我是改了detect源码里面的指令
还有更多操作,我们可以打开detect.py进行查看
如果你只有cpu就默认cpu,如果是一个gpu就选择--device 0 两块cpu就--deivce 1,以此类推。
我们来看看我们训练之后的结果,进入runs-->detect-->exp 里面有所有预测好的照片
参考博客:【小白教学】如何用YOLOv7训练自己的数据集 - 知乎
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。
那么接下来yolo数据集的整体格式如下:
Helmet是你想检测的东西名称,我检测的是圆环所以命名为circle
进入circle文件夹之后,会看到有images 和labels的文件夹,一个是拿来放图片的,一个是拿来存images文件夹中处理jpg图片之后的txt数据
打开images文件夹,我们又要建两个文件夹:train 和 val,并且把想要训练的照片放进去,两个都放差不多数量
打开labels文件夹,同样建两个文件train和val,然后就ok了
接下来我们就要用到一个软件去处理我们的图片,将其转化为yolo格式
参考博客:labelImg使用教程_G果的博客-程序员宅基地_labelimg
进入终端,输入指令进行下载
输入labellmg打开软件
然后我们使用labellmg进行对图片的处理,首先open dir选择图片路径,我们先选择刚刚创建的datasets/circle/images/train 然后change save dir选择datasets/circle/labels/train,这样我们对image的每张图片的处理都会储存进label中 之后val也是同理。
之后就把每一个你想训练的目标给框出来然后进行命名,但是必须要改成YOLO格式
之后打开我们的labels就能发现里面储存了images中每张图片对应的txt文件
然后我们进入datasets/circle文件夹下面,建立两个txt文件,train.txt val.txt,这两个文件分为写入所有images中train和val中的照片路径
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-circle.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circle.yaml
。
第二步,打开circle.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.txt
的路径;第三处:修改val的位置为val.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。
我的参照上图改好如下
之后我们就可以进行训练了!!!
此时我们在yolov7文件夹路径下cmd,并且进入虚拟环境,输入指令
python train.py --weights weights/yolov7_training.pt --cfg cfg/training/yolov7-circlr.yaml --data data/circlr.yaml --device 0 --batch-size 8 --epoch 300
这里对里面的参数进行解释
--cfg 接受模型配置的参数
--data 接收数据配置的参数
--device 0 训练类型,我是一块GPU 所以用0
--batch-size 8 GPU内存大小决定
--epoch 训练次数,建议300
--weights 训练的权重
训练到最后我们就会得到一个last 和best的pt文件,那么我们直接把best.pt拿出来使用就ok了
我们已经获得了自己训练出来的权重了,那么这个时候推理,其实跟之前检测的道理是一样的,唯一变换的就是我们的权重文件和自己检测的照片 。
这个时候我们在datasets文件夹下面建立一个textimages文件夹和textvideo文件夹,分别用来储存要被检测的图片和视频
跟detect一样,进入虚拟环境输入权重路径和图片路径就ok了,指令如下
我是把best.pt直接拉到了yolov7文件夹路径下面,你们刚刚训练出来的在runs/train/circle/weights/best.pt
python detect.py --weights best.pt --source datasets/textimages --device 0
可以看到用gpu训练的yolov7是相当的快,我显卡是3070的,大概一张照片15ms左右的样子,如果用CPU的话,速度要慢十倍左右
我打开runs/detect/exp查看我们的训练效果
可以说效果是非常好的,方框上面的数值就是置信度了,只要训练的好,yolov7的处理能力非常的强大。
那么yolov7的检测,训练,推理的全部流程都已经可以实现了,但是这个是基于python环境下的,如果有特殊的需求需要在c++环境下去进行yolo检测的话,那就又另有一方折腾了,我会在之后的博客中说到如何在c++中去使用yolov7检测。
有相关问题可以私信我进行讨论
文章浏览阅读83次。什么是Ajax?国内翻译常为“阿贾克斯”和阿贾克斯足球队同音,AJAX 是一种用于创建快速动态网页的技术,他不是新语言,而是一种使用现有标准的新方法。通过在后台与服务器进行少量数据交换,AJAX 可以使网页实现异步更新,这样就可以在不重新加载整个网页的情况下,对网页的某部分进行更新。XMLHttpRequest 是 AJAX 的基础,用于和服务器交换数据。所有现代浏览器均支持 XMLHttpReq..._php ajax刷新页面
文章浏览阅读508次。在自定义多选可搜索下拉框的时候,当搜索无匹配数据的时候,下拉框内自定义的搜索框等元素都会消失,该组件完美地解决了这个问题!特此记录一下。_el-select下拉框新增搜索input
文章浏览阅读2.1w次,点赞37次,收藏290次。I2C介绍及verilog实现(主机/从机)一、简介:I2C是一种只有2条线的串行通信协议。可用于IC内部通信,也可以用于IC间的通信,广泛用于开关电源、触控芯片、简单的显示芯片等。基本特征:2条通信线,SDA数据线,SCL时钟线。 串行的8-bit双向数据传输,速率分为: a.低速模式/标准模式(standard-mode),100 kbit/s; b.快速模式(fast-mode),400 kbit/s; c.加强快速模式(Fast-mode..._i2c怎么实现主机和从机一体
文章浏览阅读744次。SPRING框架中ModelAndView、Model、ModelMap区别_modelmap
文章浏览阅读8.2k次,点赞44次,收藏266次。Keil5新建工程模板(理论基础篇)_keil 5中startup文件夹是什么
文章浏览阅读1w次,点赞6次,收藏60次。[Jetson Nano]如何实现VNC远程桌面控制本文教你如何实现VNC到你的Jetson Nano,这样就不需要连接屏幕来实现远程桌面控制啦。树莓派官方系统默认是安装了RealVNC的服务,只需在电脑上到RealVNC官方下载软件VNC Viewer,即可方便VNC实现树莓派远程桌面控制。然而……Jetson Nano就没这么直接了。事不宜迟,以下是搭建VNC服务的正式教程:1. 安装..._no such key enabled
文章浏览阅读305次,点赞2次,收藏2次。同时,全托管模式为商家提供了全方位的运营支持和售后服务,降低了商家的运营成本和风险。老阳分享的项目信息,为我们提供了宝贵的经验和指导,但真正的成功还需靠个人的运营能力和市场洞察力。综上所述,老阳分享的Temu电商项目赚钱并不容易,但只要商家具备足够的运营能力和市场洞察力,结合Temu项目的优势,完全有可能在这个平台上取得成功。在当今跨境电商风起云涌的时代,Temu作为拼多多推出的跨境电商平台,引起了广泛关注。此外,售后服务和物流配送也是不可忽视的环节,它们直接影响着消费者的购物体验和商家的口碑。
文章浏览阅读861次。FOJ2013限定子段长度最短为m,,贴个我的超时代码Time Limit Exceed 哈哈方法和 hdu1003 一样#include#includeusing namespace std;int num[1000001],n,m;int getn(int x){ int i,ret=0; for(i=x;i>x-m;i--) ret+=n_foj2013
文章浏览阅读2.6k次。方法一:直接输入域代码将插入点置于要存放结果的单元格中,按CTRL+F9插入域标识“{}”(注意:不能直接用键盘输入),在里面输入由“=”、函数、数值和单元格名称所组成的公式,然后在其上单击右键,选择“切换域代码”即可显示公式所计算的结果。方法二:“插入”→“域…”→“公式…”可以通过“插入”→“域…”,保持默认的域名选项,单击右侧的“公式…”按钮,同样也会出现“公式”对话框。方法三:利用“表格”..._html input 表格怎么设置计算公式
文章浏览阅读124次。通过联合使用Carsim和Matlab,我们能够精确地建立车辆模型,并实现有效的轨迹跟踪控制。在仿真过程中,我们设置了不同的环境条件和车辆参数,并评估了该方法在各种情况下的性能表现。通过这种分布式控制模型,我们能够实现多辆电动汽车之间的协同变道,以及良好的轨迹跟踪性能。MPC算法能够根据车辆的动态模型,预测未来一段时间内的车辆状态,并计算出最优的控制输入。在变道轨迹跟踪控制中,我们通过优化转向角、转矩分配等参数,使得车辆能够顺利变道,并且轨迹跟踪误差最小化。
文章浏览阅读1.2k次。预备PerlToolchain(正常这一步应该在编译SGX SDK和PSW准备阶段就完成了的,容易忽略,搭建SGX开发环境的时候最好别跳过)$ sudo cp external/toolset/{current_distr}/{as,ld,ld.gold,objdump} /usr/local/bin$ which as ld ld.gold objdumpIntel SGX driver、SDK和PSW准备好OpenSSL源码压缩包openssl-${version}.tar.gz。截_intel sgx ssl
文章浏览阅读3.9k次。vue跨域 使用 http-proxy-middleware 代理解决(项目使用vue-cli3.0搭建)最近在模仿用Vue来搭建一个音乐播放器,用的是最新Vue.cli3来进行搭建的,要从QQ音乐来获取数据,那在之前的方法是用node的express框架起了一个服务设置了跨域,这种方法适用于vue2.x,那么在vux.3.0中呢,项目结构的目录是这样滴所以呢,不能像在vue2.0里面有个b..._vue http-proxy-middleware