YOLOv7-PyTorch 使用教程

1. 项目目录结构及介绍

项目目录结构如下：

.
├── README.md    # 项目说明文件
├── data          # 存放数据集相关配置和预处理脚本
│   ├── coco.yaml      # COCO数据集配置文件示例
│   └── hyp         # 超参数设置
│       ├── scratch.yaml  # 从头训练的超参数
│       ├── p5.yaml        # 针对YOLOv7的小模型参数
│       └── p6.yaml        # 针对YOLOv7的大模型参数
├── model          # 模型定义目录
│   ├── yolov7.py     # YOLOv7模型代码
│   ├── yolov7-tiny.py # YOLOv7 Tiny模型代码
│   └── ...           # 其他模型变种
├── scripts        # 各种运行脚本
│   ├── train.py     # 训练脚本
│   ├── test.py      # 测试脚本
│   ├── export.py    # 导出ONNX或TensorRT模型的脚本
│   └── ...           # 其他辅助脚本
└── ...             # 其他相关文件和目录

关键文件解释：

• data 目录包含了数据集相关的配置和超参数。
• model 目录存储了YOLOv7系列模型的PyTorch实现。
• scripts 目录提供了训练、测试以及模型转换的一系列脚本。

2. 项目的启动文件介绍

2.1 训练脚本 (train.py)

训练脚本通过指定的数据集路径、模型配置（.yaml 文件）、权重文件等参数来进行模型训练。

例如，如果你要训练一个从头开始的YOLOv7模型，可以运行以下命令：

python train.py --workers 8 --device 0 --batch-size 32 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7-custom.yaml --weights '' --name yolov7-custom --hyp data/hyp/scratch/custom.yaml

2.2 测试脚本 (test.py)

测试脚本用于评估模型在特定数据集上的性能，支持设置批大小、置信阈值和IoU阈值。

例如，进行COCO数据集上YOLOv7模型的验证集测试：

python test.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.65 --device 0 --weights yolov7.pt --name yolov7_640_val

2.3 模型导出脚本 (export.py)

此脚本可以将训练好的模型导出为ONNX或者TensorRT引擎，方便于部署到生产环境。

例如，将YOLOv7Tiny模型导出为ONNX并生成TensorRT引擎：

--onnx=yolov7-tiny.onnx --saveEngine=yolov7-tiny-nms.trt trt --fp16

3. 项目的配置文件介绍

配置文件主要位于data目录下的.yaml文件。它们定义了训练和测试时的数据加载、图像尺寸、类别数、锚框大小等关键参数。

3.1 数据集配置文件（如 coco.yaml）

数据集配置文件通常包括如下字段：

• names: 类别名称列表。
• train: 训练集的路径。
• val: 验证集的路径。
• test: 测试集的路径。
• nc: 分类数量。
• size: 输入图像尺寸。
• batch_size: 批处理大小。

3.2 超参数文件（如 hyp/scratch.yaml, hyp/p5.yaml）

这些文件定义了训练过程中的超参数，例如学习率策略、损失函数权重、正负样本比例等。不同的模型变体可能需要不同的超参数配置，例如对于微调或从零开始训练。

3.3 模型配置文件（如 cfg/training/yolov7-custom.yaml）

模型配置文件指定了网络架构的具体细节，比如层数、卷积核大小等。这通常涉及到模型的宽度、深度和训练策略等信息。

以上就是YOLOv7-PyTorch项目的概览及关键文件的解释，希望对您理解和使用该项目有所帮助。祝您编码愉快！