建立所需環境

1. 下載yolov7程式碼
2. 下載yolov7權重檔用於測試環境。
3. 替yolov7創建一個新的Anaconda環境，並啟動該環境:

   conda create -n yolov7 python==3.8
   conda activate yolov7
   

4. 進入到yolov7資料夾中，並安裝所需套件:

   pip install -r requirements.txt
   

5. 利用下載好的權重檔，測試預測一張影像:

   python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source inference\images\horses.jpg
   

   • 檢測出來的影像會存在runs\detect\exp資料夾中:
     
     

訓練階段(以飛機機身缺陷偵測資料集為例)

1. 因為yolov7訓練集的存放方式剛好aircraft_fuselage_yolo資料夾中的影像擺放方式符合yolov7所需。
2. 將飛機機身缺陷偵測資料集的內容複製到yolov7資料集的data資料夾中。
   
3. 複製data資料夾中的coco.yaml，貼在data資料夾中，並改名為custom.yaml。
   
4. 修改custom.taml的內容為:

   train: .\data\images\train\
   val: .\data\images\val\
   test: 
   # number of classes
   nc: 4
   # class names
   names: ['scratch','paint_peel','rust','rivet_damage']
   

5. 進到yolov7資料夾中的cfg中的training資料夾中，並複製一個yolov7.yaml檔案，並改名為yolov7_custom.yaml。
   
6. 打開yolov7_custom.yaml並修改nc(類別數量):
   
7. 因為yolov7訓練會將訓練過程利用wandb顯示出來，因此需要安裝wandb:

   pip install wandb
   

8. 執行訓練:

   python train.py --weights weights\yolov7.pt --cfg cfg\training\yolov7_custom.yaml --data data\custom.yaml --hyp .\data\hyp.scratch.custom.yaml --device cpu --batch-size 2 --epoch 300 --name yolov7-it30
   

成功執行會出現以下圖片的畫面，並開始訓練。

• 訓練過程的mAP以及loss變化可以進到wandb視覺化查看。

這邊同樣只演示能成功進行訓練的步驟，沒有讓訓練跑到底，後續回到宿舍後，會利用散熱效果較好的桌上型電腦進行訓練，並在最後的幾篇文章中，統一將每一代的YOLO訓練結果數據進行展示。