Yolov7 架構簡介

在深度學習的網路架構中，主要由三個部分組成：Backbone、Neck、Head。

1. Backbone

Backbone 是網路架構中的骨幹，負責提取特徵，也就是從輸入圖片中獲取資訊。在 Yolov7 中，使用的是 ELAN 和 E-ELAN 來進行特徵提取。

2. Neck

Neck 位於 Backbone 和 Head 之間，負責融合不同尺度的特徵，以便更好地完成 Head 的任務。在 Yolov7 中，使用的是 CSPSPP+(ELAN, E-ELAN) 和 PAN。

3. Head

Head 是網路架構中預測的部分，它根據 Backbone 和 Neck 提取的特徵進行輸出預測。在 Yolov7 中，使用的是 YOLOR 來進行預測。

需要先掌握的技術

為了順利完成所有步驟，建議先掌握以下技術：

1. Linux 基本操作

首先需要熟悉 Linux 環境，這包括如何在終端上輸入命令，如 cd、ls 這些基本操作，還有如何安裝和更新軟件包。這些操作在安裝 Yolov7 的過程中會經常用到。

2. Git 使用

我們會用 Git 從 GitHub 上下載 Yolov7 的代碼，所以你需要了解如何使用 git clone 來獲取專案，並知道如何在專案目錄中進行操作。

3. Python 基礎

你需要會使用 Python，特別是如何使用 pip 來安裝套件。還要懂得一些基本的 Python 語法，因為之後的模型訓練和推理都會用到 Python。

4. 深度學習框架 (PyTorch)

Yolov7 是基於 PyTorch 的，所以你需要先了解 PyTorch 框架，特別是如何安裝 PyTorch，以及如何檢查安裝是否支援 GPU，這會直接影響模型運行效率。

5. GPU 和 CUDA 的基礎

如果你有 NVIDIA GPU，我們會用到 CUDA 來加速運算。你需要知道如何確認 CUDA 和 GPU 是否正常運行，以確保模型運行時高效。

6. 物件偵測的概念

了解物件偵測模型的基本原理，例如 YOLO 模型的工作原理，這將有助於你更好地理解 Yolov7 的架構。

7. 環境管理

建議使用虛擬環境（如 virtualenv 或 conda）來管理 Python 的依賴，以避免不同項目之間的套件衝突。

8. 基本除錯能力

學會基本的問題排查能力非常重要。如果在安裝過程中遇到依賴包錯誤或版本不兼容問題，你應該知道如何查看錯誤信息並解決問題。

這些技能是學習 Yolov7 安裝和使用過程中的基礎知識。有了這些準備，你將發現整個過程更加順利，並且能更好理解每一步的意義。
我也將會在往後整理相關技術!!!!!

Yolov7 安裝流程 - Linux

在 Linux 中安裝 Yolov7，需依序執行以下指令：

1. 更新基本套件：

   $ sudo apt update
   

2. 安裝 pip：

   $ sudo apt install -y python3-pip
   

3. 更新 pip：

   $ pip3 install --upgrade pip
   

4. 下載 Yolov7：

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

5. 進入 Yolov7 目錄並檢視需求檔案：

   $ cd yolov7
   $ vim requirements.txt   
   

6. 安裝必要的系統套件：

   $ sudo apt install -y libfreetype6-dev   
   

7. 安裝 requirements.txt 中的套件：

   $ pip3 install -r requirements.txt
   

硬體要求：

Yolov7 需要至少 4GB 以上的 GPU 來進行推理和訓練，建議在 NVIDIA 驅動和 CUDA 安裝完畢後進行硬體檢查。

Python 版本：

確保 Python 的版本在 3.6 以上，否則可能會遇到兼容性問題。

檢查 Python 版本

```bash
$ python3 --version

測試一下能不能正常推理：

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

成功辨識物體！！！！

模型訓練–訓練資料準備

1. 訓練資料集分成三個部分：

   • 訓練集 (training set)
   • 驗證集 (validation set)
   • 測試集 (test set)

2. 常使用的分配比例：

   • 70% train, 15% val, 15% test
   • 80% train, 10% val, 10% test
   • 60% train, 20% val, 20% test

   沒有絕對的比例，需要透過測試得到精度較高的比例。

3. 訓練資料準備：

   • 影像檔 (.jpg, .png)
   • 標記檔 (.txt)

   標記檔可透過 Labelimg 工具來產生。

Labelimg 使用指南

1. 框選並標註標籤：
   對所有圖片進行框選並為每個物體標註相應的標籤。

2. 標記檔產生：
   每一張圖片會生成一個對應的 .txt 檔案，該檔案會儲存該圖片的標籤資訊。

3. 標記檔內容格式：
   以下圖為例：

   • 0 表示第 0 個標籤（類別）
   • 後面的數字代表框選方框的四個角的位置（通常以比例形式表示）。

4. 多標籤支持：
   一張圖片中可以有多個標籤，每個物體都可單獨標註並儲存在同一個 .txt 檔案中。

安裝 labelImg：

$ sudo apt install labelImg

啟動 labelImg：

CMD輸入labelImg
啟動labelImg

$ labelImg

圖片資料集標注：

使用Open Dir開啟預訓練的圖片位置
在Change Save Dir執行與Open Dir一樣的動作
按照下圖啟動自動儲存功能

按一下PascalVOC改成下圖YOLO以符合YOLO的標籤格式

按下Create RectBox框選預辨識的位置，會跳出預定義的Label清單，也就是剛剛我們輸入至predefined_classes.txt的標籤

將所有圖片都框選並標註標籤
這時每一張圖片會產生1個txt，裡面會儲存圖片標籤的訊息

訓練資料準備（使用以下資料集為例）

PascalVOC 轉 Yolo標籤格式 (上) (範例程式碼)

PascalVOC 轉 Yolo標籤格式 (下) (範例程式碼)

這裡有詳細介紹如何做資料前處理

Monkey, Cat and Dog detection
https://www.kaggle.com/datasets/tarunbisht11/yolo-animal-detection-small?resource=download

這個資料集的標記資料需要轉換成yolo格式可以參考我的另一篇文章

建立一個YAML檔：
內容需要包含

• 訓練集 (training set)
• 驗證集 (validation set)
• 測試集 (test set)
• 多少類別 (number of classes)
• 名稱類別 (class names)

這個yaml檔我建立後放置在yolov7/data/根目錄下：
也可以用原先的coco.yaml來進行修改

開始訓練訓練！！

分類任務訓練指令：

$ python train.py --device 0 --batch-size 8 --data data/cat_dog_monkey.yaml --img 640 --cfg cfg/training/yolov7.yaml --weights yolov7.pt

訓練後的結果將會除存在此目錄下：

測試一下訓練結果

使用其他照片來測試訓練結果：

$ python detect.py --weights /home/ken/Desktop/program/yolov7/runs/train/exp2/weights/best.pt --conf 0.25 --img-size 640 --source /home/ken/Desktop/program/yolov7/monkey/monkey.png

成功辨識到正在唸書的猴猴，而且效果很不錯！！！！

結語

在原始的 GitHub 網頁中，有非常詳細的 YOLOv7 使用教學，而本文只是簡單地示範如何快速搭建 YOLOv7 以進行分類任務。這是一個入門級的教學，目的是讓讀者能夠快速上手。然而，YOLOv7 的設置中還有許多可調整的參數與細節，這些內容可以在 cfg/training/yolov7.yaml 文件中找到。該配置文件中包含了關於訓練模型的各種選項，例如學習率、batch size、網絡架構等。根據不同的應用場景，這些參數可以進行靈活的調整，以優化模型性能。

參考

https://github.com/WongKinYiu/yolov7