YOLO7环境搭建、代码测试

YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。在5FPS到160FPS的范围内，无论是速度或是精度，YOLOv7都超过了目前已知的检测器，并且在GPU V100上进行测试， 精度为56.8% AP的模型可达到30 FPS（batch=1）以上的检测速率，这是目前唯一一款在如此高精度下仍能超过30FPS的检测器。论文中( 论文下载)各个模型的性能对比如下图所示：

1. 依赖类库

• matplotlib>=3.2.2
• numpy>=1.18.5
• opencv-python>=4.1.1
• Pillow>=7.1.2
• PyYAML>=5.3.1
• requests>=2.23.0
• scipy>=1.4.1
• torch>=1.7.0,!=1.12.0
• torchvision>=0.8.1,!=0.13.0
• tqdm>=4.41.0
• protobuf<4.21.3

2. 相关下载(可跳过本步,依据后面步骤按需下载)

• 论文下载：YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object
  detectors
• 源码地址：https://github.com/WongKinYiu/yolov7
• 基准数据集：https://cocodataset.org/

train2017
train2017：http://images.cocodataset.org/zips/train2017.zip
train2017 annotations：http://images.cocodataset.org/annotations/annotations_trainval2017.zip

val2017
val2017：http://images.cocodataset.org/zips/val2017.zip
val2017 annotations：http://images.cocodataset.org/annotations/stuff_annotations_trainval2017.zip

test2017
test2017：http://images.cocodataset.org/zips/test2017.zip
test2017 info：http://images.cocodataset.org/annotations/image_info_test2017.zip

3. 源码调试

3.1 下载源码

下载YOLO7源码（点击下载），并进行解压。

3.2 下载预训练模型

3.1 下载YOLO7预训练模型(点击下载)，并放置在项目的根目录下。

3.3 下载数据集

下载COCO数据集标签数据数据（点击下载），并加压到项目跟目录下。

下载COCO验证数据集（点击下载）并加压到coco/images/val2017目录下，

4. 运行代码

4.1 用VSCode打卡项目文件夹

4.2 运行测试代码

打开测试代码 test.py，并按F5运行代码（请确保Python中已经安装第一节要求的类库）


运行结果如下，测试结果会保存到runs\test\exp目录下

5. 问题

5.1 若提示页面文件太小，无法完成操作，则需要调高虚拟内存大小。

1. 打开系统高级设置
   
2. 选择高级选项卡，点击性能框中的设置按钮
   
3. 在打开的选项卡中，选择高级选项卡，然后点击虚拟内存框中的更改按钮
   
4. 设置虚拟内存大小（如果C盘剩余空间较少，建议虚拟内存设置到其他盘）
   
5. 设置完成后，点击设置按钮，并重启计算机，完成虚拟内存设置。

5.2 若提示错误：BrokenPipeError，将utils/datasets.py的87行的num_workers设置为0即可

dataloader = loader(dataset,
batch_size=batch_size,
num_workers=0,
sampler=sampler,
pin_memory=True,
collate_fn=LoadImagesAndLabels.collate_fn4 if quad else LoadImagesAndLabels.collate_fn)