前言

本篇以 Linux 的系統來做 Yolov7 小實作

開始安裝

首先你要先確保你的 python 的版本在 3.10 或是 3.9，不要超過上述的版本，因為會有套件安裝的問題

第一步

git clone https://github.com/WongKinYiu/yolov7.git

然後進入 clone 完的資料夾 cd yolov7

第二步

pip install -r requirements.txt
這一步是要把 yolov7 需要用到的套件給一次安裝

第三部

安裝 CUDA 與特定的 torch 版本，Cuda 的話去利用官網給的指令安裝就好，torch也是

Cuda 安裝

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda-repo-ubuntu2204-11-8-local_11.8.0-520.61.05-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu2204-11-8-local_11.8.0-520.61.05-1_amd64.deb
sudo cp /var/cuda-repo-ubuntu2204-11-8-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda

Torch 安裝

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

第四步

python3 detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source inference/images/horese.jpg --device 0

就可以看到最後的成品了~

對了如果你想看作品位置的話，統一路徑都會 \yolov7\runs\detect\ 該目錄底下，以上就是本次的小實作篇，當然我上述的是已經有訓練完的模型，你也可以自己去抓訓練集自己訓練模型~~~

實作與感想

在 Linux 上實作 Yolov7 是一次具挑戰性但非常有收穫的經驗。作為開源的深度學習框架，Yolov7 在物件偵測方面具有很高的效能和準確性。由於 Yolov7 的需求相對高，尤其是對 GPU 的支援，使用 CUDA 和 cuDNN 的環境設置是關鍵的一步。在安裝過程中，需要確保 CUDA 驅動與 cuDNN 版本相容，並且要與 Python 的虛擬環境進行適當的配置。Yolov7 的模型訓練部分十分注重資源管理和計算效能，使用 Linux 環境的優勢在於，透過命令列工具如 htop 或 nvidia-smi 可以實時監控 CPU、GPU 和記憶體的使用情況，這對於優化訓練過程的效能非常有幫助。在 Linux 上實作 Yolov7 是一次深入了解物件偵測技術與系統優化的實踐經驗。我學會了如何有效部署深度學習框架，並掌握了如何在 GPU 加速環境中優化訓練效能。這過程增強了我對深度學習的理解，也讓我對 Linux 環境的彈性有了更深的體會。