当前位置：首页 > article >正文

保姆级复现yolov7（论文复现）

article 2024/9/28 13:46:48

保姆级复现yolov7（论文复现）

本文所涉及所有资源均在传知代码平台可获取

所需环境

当然深度学习环境的搭建是基础，详情可见(win10)：
【深度学习】windows10环境配置详细教程anaconda3环境变量配置win10-CSDN博客
Unbutun搭建深度学习环境可以参考：
Ubuntu20.04配置pytorch深度学习环境（亲测有效）_ubuntu20.04 cuda 11.6 torch安装哪个版本-CSDN博客
PyCharm：2022.2.2版本
torch==1.2.0+
为了使用amp混合精度，推荐使用torch1.7.1以上的版本。
其他所需依赖包可见：requirements.txt

训练步骤

a、训练VOC07+12数据集
数据集的准备
本文使用VOC格式进行训练，训练前需要下载好VOC07+12的数据集，解压后放在根目录
VOC数据集下载地址如下，里面已经包括了训练集、测试集、验证集（与测试集一样），无需再次划分：

在这里插入图片描述

数据集链接请见readme.txt文件

数据集的处理
修改工程主目录中的voc_annotation.py里面的annotation_mode=2，运行voc_annotation.py生成根目录下的2007_train.txt和2007_val.txt

在这里插入图片描述

开始网络训练
train.py的默认参数用于训练VOC数据集，直接运行train.py即可开始训练。
不出意外，接下来就一定有意外：

在这里插入图片描述

很明显，我的笔记本显卡不行哦，显卡内存太小，可以调整batch_size。

在这里插入图片描述

看到batch_size等于Freeeze_batch_size，将Freeze_batch_size=2

在这里插入图片描述

开始训练

在这里插入图片描述

训练结果预测
训练结果预测需要用到两个文件，分别是yolo.py和predict.py。我们首先需要去yolo.py里面修改model_path以及classes_path，这两个参数必须要修改。
model_path指向训练好的权值文件，在logs文件夹里。
classes_path指向检测类别所对应的txt。
完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测

训练自己的数据集

数据集的准备
本文使用VOC格式进行训练，训练前需要自己制作好数据集，
训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。

数据集的处理
在完成数据集的摆放之后，我们需要利用voc_annotation.py获得训练用的2007_train.txt和2007_val.txt。
修改voc_annotation.py里面的参数。第一次训练可以仅修改classes_path，classes_path用于指向检测类别所对应的txt。
训练自己的数据集时，可以自己建立一个cls_classes.txt，里面写自己所需要区分的类别。
model_data/cls_classes.txt文件内容为

在这里插入图片描述

预测

a、使用预训练权重

下载完库后解压，在百度网盘下载权值，放入model_data，运行predict.py，输入img/street.jpg

在这里插入图片描述

在predict.py里面进行设置也可以进行fps测试和video视频检测。

在这里插入图片描述

b、使用自己训练的权重
按照训练步骤训练。
在yolo.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类。
更改位置如下：

在这里插入图片描述

四、评估步骤
a、评估VOC07+12的测试

本文使用VOC格式进行评估。VOC07+12已经划分好了测试集，无需利用voc_annotation.py生成ImageSets文件夹下的txt。
在yolo.py里面修改model_path以及classes_path。model_path指向训练好的权值文件，在logs文件夹里。classes_path指向检测类别所对应的txt。
运行get_map.py即可获得评估结果，评估结果会保存在map_out文件夹中。
b、评估自己的数据集
本文使用VOC格式进行评估。
如果在训练前已经运行过voc_annotation.py文件，代码会自动将数据集划分成训练集、验证集和测试集。如果想要修改测试集的比例，可以修改voc_annotation.py文件下的trainval_percent。trainval_percent用于指定(训练集+验证集)与测试集的比例，默认情况下 (训练集+验证集):测试集 = 9:1。train_percent用于指定(训练集+验证集)中训练集与验证集的比例，默认情况下训练集:验证集 = 9:1。
利用voc_annotation.py划分测试集后，前往get_map.py文件修改classes_path，classes_path用于指向检测类别所对应的txt，这个txt和训练时的txt一样。评估自己的数据集必须要修改。
在yolo.py里面修改model_path以及classes_path。model_path指向训练好的权值文件，在logs文件夹里。classes_path指向检测类别所对应的txt。
运行get_map.py即可获得评估结果，评估结果会保存在map_out文件夹中。