開啟Pycharm新專案:
1.1 點擊New Project開啟新專案
1.2 點擊New enviroment using,選擇Vitualenv後輸入專案名稱,再點擊Create。
到Github下載WongKinYiu/yolov7
解壓縮後將yolov7-main資料夾移動到Pycharm專案資料夾內,並修改名稱為YOLOv7。
在Pycharm內點選Terminal,並依序輸入以下指令
4.1 進入yolov7資料夾:cd '.\yolov7\'
4.2 修正requirements.txt
修正前
修正後
4.3 安裝需求套件:pip install -r requirements.txt
預訓練模型yolov4-csp權重
1.1 下載預訓練模型yolov7.pt權重
1.2 放到yolov7資料夾,用以執行detect.py測試是否部署環境成功。
在inference/images
資料夾中,有6張照片,可測試單張及多張照片的GPU推論速度。
在Terminal輸入推論指令
3.1 單張照片gpu推論:python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source inference/images/horses.jpg --device 0
執行結果:1張圖片推論0.013秒、NMS 0.027秒。
推論結果
3.2 多張照片gpu推論:python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source inference/images --device 0
執行結果
推論結果
3.3 參數說明
YOLO txt格式
1.1 資料集下載
下載datasets1:從coco128中擷取部分資料。
將datasets1資料集解壓縮,並移到yolov7下的data資料夾內。
1.2 下載預訓練模型yolov7_training.pt權重,並放到yolov7資料夾內。
1.3 修改coco.yaml參數檔檔
1.4 修改cfg/training/yolov7.yaml
nc:dataset1中共有80個類別。
1.5 執行訓練:python train.py --workers 4 --device 0 --batch-size 4 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights 'yolov7_training.pt' --name yolov7-custom --hyp data/hyp.scratch.custom.yaml --epochs 10
訓練過程
訓練結果
1.6 Demo測試:python detect.py --weights runs/train/yolov7-custom/weights/best.pt --conf 0.25 --img-size 640 --source inference/images --device 0
推論過程
讓我們繼續看下去...