【圖文教學】YOLOV7 教學手把手帶你做訓練自己的物件偵測模型訓練自己的資料集

人工智慧好好玩||物件偵測不簡單||想學就要趁現在||還不趕快看過來

10 min readJul 9, 2022

💣本篇主要介紹如何訓練 Yolov7 ，由於近期剛嘗試寫教學文，所以有寫得不完整或者過於簡易省略步驟的話，再麻煩有問題的讀者們在底下留言啦💣
另外針對排版不美麗這件事，就看在人家長的超正又火辣的份上鞭小力點啦，畢竟人家需要時間摸索與學習嘛 🥺🥺

前半部會先小小補充 Yolov7的介紹，若沒有興趣閱讀者，可直接跳至
💎💎💎💎橫線區，感謝~

⌚我的顯卡為 NVDIA GeForce 2080，batch = 4，epoch = 300，耗時約 900 分鐘，2100張圖片訓練，3個類別，準確度 76%，給各位參考一下。由於訓練集屬於病患資料，極具隱私的考量，所以不進一步做分享。

⌨版本一覽：CUDA = 11.2；Python = 3.9；torchvision = 0.8.2+cu110；torch = 1.7.1+cu110

❌另外，本文提供的程式碼含有參數調整，所以你要記得改掉!!!此外，橫槓(—)在這邊出現是錯的，你要改成兩個小橫槓(--)，不然你直接複製去執行會出錯，我有說哦，沒看到的話，就....自己debug囉

📒小補充一下，這次的作者你們知道是誰嗎?!!是Yolov4原本的團隊啦
Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao。
其中一定要提一下，當中兩位前輩是台灣人呢，WOOW
Chien-Yao Wang和Hong-Yuan Mark Liao先生他們也是YOLOR的作者呢!!
是不是很光榮呀🎊🎊🎊

本文將介紹YOLO官方2022年7月登場的YOLOV7，其連結為以下Wonkiyui|Github 的那個優~~第二個連結Jinfagang|Github 的YOLOV7並非官方釋出，此外文章內也說明yolov7的7單純只是幸運數字，不是真正的YOLOV7。所以請有興趣的朋友，稍微留意一下拉~

在今年 2022 的 7 月，YOLOV7 (原論文請點我 ) 正是閃亮登場啦~，它在5 FPS - 160 FPS 的範圍內，速度(speed)跟準確度(accuracy)是目前即時物件偵測(Real-time Object Detection)相關技術中的第一名，意即我最快也最準。

【XUANㄟ教學文章】YOLOV7 與其他新穎技術相比，又快又準確 — YOLOV7 與其他新穎技術相比，不論是速度還是準確度都大幅提升

而 YOLOv7 一文的主要貢獻有以下四點：

1. 藉由設計幾種 bag-of-freebies(一種優化物件偵測的技巧，2019年由李沐大神所提出，論文請點我) 的方法，在不增加推理成本(inference cost)的前提下，來提升物件偵測的準確度。

2. 解決兩個物件偵測演進的問題：
(一)如何重新參數化取代原始模組；
(二)動態標籤分配如何處理分配給不同輸出層的問題

3. 利用 “extend” , “compound scaling” 的方式，有效地使用參數和計算

4. YOLOV7 可以有效減少 SOTA (State-of-the art，最先進的) 即時物件偵測約40%的參數及50%的計算量，來提高速度與準確度。

💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎

💎 ㅤ ㅤ ㅤ ㅤ ㅤ ㅤ ㅤ ㅤ 那以下我們開始訓練教學吧 ㅤㅤ ㅤ ㅤㅤ ㅤ ㅤ 💎

💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎💎

🌱首先，請先至github下載檔案
如果直接在 Google 上搜尋，排行第一個可能是 jinfagang (有興趣點我)，
我起初是使用他的版本，但後面遇到不少問題後，才跑回去看論文內原作所提供的網址，操作起來就流暢多了，這邊沒有要戰誰好，只是單純依個人在操作上的偏好，有興趣者可以點擊上方的超連結，而下方的連結為原作王建饒博士的Github。若要跟著以下的步驟進行訓練，請下載下面連結的程式碼

👉 https://github.com/WongKinYiu/yolov7

【XUANㄟ教學文章】yolov7 github 下載 — 如果你有下載Github Desktop 當然可以不用這樣下載

🌱下滑找到 Performance下載任一模型的預訓練檔，要挑哪一個就根據自己的需求啦(檔名為 .pt)，之後會用在訓練上

🌱再來，打開Anaconda Prompt，並且新建一個環境，這邊就省略教學啦~
如果不知道要怎麼建立的話，可以看我的Github 👇 https://github.com/huchi00057/YOLOX

而本次我是建立一個Python 版本為3.9的環境，名為yolov7。

🌱Anaconda Prompt 切到最一開始創的yolov7環境
並且切到 yolov7資料夾

【XUANㄟ教學文章】yolov7 Anaconda yolov7 environmet create

🌱接著安裝套件：

pip install requirement.txt

如果你在安裝時還缺其他套件的話，再另外搜尋下載嚕~~
😙 如果你要用GPU去訓練，要特別去下載Pytorch套件優，不會就點我

🌱基本上安裝到這裡就差不多了，我們可以來測試安裝行不行啦~~

python detect.py — weights ✍️yolo7.pt(前面下載的預訓練檔) — source inference/images/horses.jpg(你資料夾一定有)

跑完後的結果會存在 yolov7/runs/detect/exp? 內，如下圖。
長這樣，代表你裝好了，棒棒很棒超棒👏👏

【XUANㄟ教學文章】yolov7 測試輸出結果 — YOLOV7 測試 detect.py 輸出結果

一切待續後，準備來訓練模型囉~~
🌱首先，先準備好資料集，目前我只會用YOLO格式(.txt)的資料集去做訓練，如果你本來已經有資料集了(Pascal VOC 或 COCO格式)，請自行轉檔。

【XUANㄟ教學文章】yolov7Pascal VOC .xml COCO .json YOLO .txt

我本來就有以上兩種格式，但在訓練yolor的時候碰壁，找了好久，總算找到一篇有用的文章：https://hackmd.io/@jim93073/r1laqq0jF
(我只有改CLASS，然後再執行main.py，
像這樣：python main.py — path D:\yolox\data\1\test.txt — output test.json)

【XUANㄟ教學文章】yolov7 圖片資料擺放位置 — 資料集內包含圖片檔(.jpg)以及標記檔(.txt)

【XUANㄟ教學文章】yolov7 train.txt val.txt 內容 — .cache檔是跑訓練生出來的東西

這邊給大家參考一下，我的資料擺放~

總結資料集的準備，你需要以下
image資料夾：圖片檔(.jpg)、標記檔(.txt)
兩個.txt檔案：所有訓練圖片的記事本還有驗證檔的(train.txt , valid.txt)

你一定會問，我就不會才要看你文章，你還不教我怎麼標記圖片，這樣對嗎 All right. 我大概說明一下齁，很簡單

#下載標記圖片的工具叫做 labelim
pip install labelimg
#開啟它
labelimg

【XUANㄟ教學文章】yolov7 安裝標記工具 Labelimg — 安裝labelimg的畫面

【XUANㄟ教學文章】yolov7 標記工具 Labelimg 介面 — 打開的介面樣貌

開啟充滿要拿來訓練圖片的資料夾

【XUANㄟ教學文章】yolov7 標記工具 Labelimg 使用教學 — labelimg操作

先點右邊倒數第四個按鈕(YOLO)，按個兩下，讓它圖案保持跟一開始一樣，再點擊右邊的 Create RectBox 將物件框選起來，並輸入類別名稱，最後按save進行儲存(儲存格是要是.txt，如果不是就按倒數第四個按鈕)，以此類推其他圖片(Next Image 鈕跳到下一張圖片)。全部完成後關掉即可。

❌類別可不可以用中文，我不知道，你試試看吧，我不想冒debug的風險，所以沒有嘗試哈哈

🌱在跑模型前的最後一個步驟就是修改參數

到 cfg 資料夾找你適合想要的 .yaml 複製到...你記得的地方，並更改文件名稱