训练
1.了解yolov7数据集格式
datasets 自定义名称
GuaiWu-PC 标签名称（打算用游戏怪物来测试，暂不支持中文，稍后再处理。）
images/train 存放所有训练图片
images/val 存放所有验证图片
labels/train 存放images-train训练图片处理之后的txt数据
labels/val 存放images-val验证图片的txt数据
train_list.txt 存放images-train 目录下所有图像文件的路径
val_list.txt 存放images/val目录下所有图像文件的路径
2.截图工具
推荐个截图工具ShareX，开源免费的软件，支持自动定时截图，遮挡截图，录像等功能，原生支持中文。
3.准备图片
图片尺寸 这里选择图片尺寸640*640官方默认的尺寸，暂时没有搞明白图片尺寸和训练效果的关系，但实际训练中图像尺寸过大，在我的1070 8G显卡中会出现显存出错的现像。
图片数量 最好要二三百张以上，工作量太大，因为我的每张图片对像数量多，这里选择50张测试下有没有效果。
4.准备路径文件
在图片所在文件夹地址栏输入CMD回车,命令行敲入命令:DIR *.png /s/b>train_list.txt 即可生成，（这里是单一png文件，如果有其它类型文件，比如jpg，DIR /s/b>train_list.txt生成所有文件路径，删除最后一行此文件本身的路径.txt)把此文件剪切到标签目录下)。同样方法生成val_list.txt剪切到标签目录下。
5.数据标注工具labelImg
下载安装labelImg，进行我们的虚拟环境。执行安装命令，容易出现安装失败的原因是网络超时下载失败。翻之。。。
activate yolo
pip install labelimg安装完成后输入 labelimg 启动。
常用的功能：
“Open” 打开单个图像
“Open Dir” 打开文件夹
“Change Save Dir” 保存的路径
“Next Image” 切换到下一张图像
“Prev Image”切换到上一张图像
“Verify Image”校验图像，
“Save” 保存图像
“yolo/PascalVOC” 切换格式
“Create RectBox”画标注框
“Duplicate RectBox”重复标注框
“Delete RectBox”删除标注框
“Zoom In” 放大图像
“Zoom Out” 缩小图像
“Fit Window”图像适用窗口
“Fit Width”图像适应宽度。
一般操作的顺序：“open file ”或”Open Dir” —-“create rectbox ” —-“输入类别名称 “—-“change save dir ”—-“Save”。
开始每张图像手动标注，存储位置选择labels下的同名文件夹。标注时尽可能的主体和边框四边相切。
标注完成后，会生成相同文件名的txt标注文件
6.配置相关文件
在配置之前我们先打开之前安装的PyCharm，改中文，file–settings–plugins–搜索框中输入Chinese–安装简体中文插件即可。
添加解释器：打开yolov7这个项目，提示要下载安装相关依赖模块时，取消。文件–设置–项目-yolov7-解释器。选择之前安装好环境python3.8路径即可。
1.模型配置文件：yolov7/cfg/training/yolov7.yaml，把nc数量修改为你数据集总共的目标数量，因为我们只标记了一种怪物，所以改成1。
2.数据集的配置文件：yolov7/data/coco.yaml 把coco.yaml复制出来一份重命名，这里改为GuaiWu-PC.yaml,编辑此文件。
download: bash ./scripts/get_coco.sh 此行注释掉，以防代码自动下载数据集。
train的位置为train_list.txt的路径
val的位置为val_list.txt的路径
nc改为数据集目标总数
test这行注释掉，我们没有测试数据集
name修改为我们的标签名称，多个标签用”,”隔开。这里暂不支持中文，这个回头再修改。
正式训练
在yolov7文件夹的地址栏输入cmd，并且输入activate yolo 进入虚拟环境，输入训练指令
python train.py --weights weights/yolov7_training.pt --cfg cfg/training/yolov7.yaml --data data/GuaiWu-PC.yaml --device 0 --batch-size 8 --epoch 100常用参数
--weights weights/yolov7_training.pt # 接收预训练模型路径的参数
--cfg cfg/training/yolov7.yaml # 接收模型配置文件的参数
--data data/GuaiWu-PC.yaml # 接收数据配置文件的参数
--device 0 # GPU/CPU训练，若1块，则0；2块则：0,1若CPU，则cpu；留空不指定的话，他会自动检测。
--batch-size 8 # 一次读图像数量，按照自己GPU内存大小大致确定，-1将时自动调节；一般为2的次方。
--epoch 300 # 训练次数，默认300
--view-img # 检测的结果实时的显示出来，一般不用，占用资源
--img 640 640 # 输入图片尺寸默640 640
--workers 8 #装载时cpu所使用的线程数，默认8，并不是越大越好，太大时gpu处理不过来，如果GPU未占满，适当调高。出问题，爆显存，大意想要占用多少显存但是不够这样。
batch-size改为4
python train.py --weights weights/yolov7_training.pt --cfg cfg/training/yolov7.yaml --data data/GuaiWu-PC.yaml --device 0 --batch-size 4 --epoch 100训练成功了。
会在yolov7\runs\train\exp(x)\生成结果
weights下训练好的模型，一般使用best.pt去进行推理。包括best.pt和last.pt，以及默认25epoch保存一次模型，以及保存最后5个epoch的模型
训练结果分析评估改进（太长了）
推理：
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 .
把刚才生成的best.pt文件复制一份到weights文件夹
datasets文件夹下面建立一个test文件夹，截几张新图片放到test。
python detect.py --weights weights/best.pt --source datasets/test准确率并不满意，可能只训练了100次以及训练图片太少的原因。
明天加大图像数量以及训练次数，再测试结果。
评论0