目标检测算法——YOLOv7训练自己的数据集（保姆级教程）
>>>深度学习Tricks，第一时间送达<<<
目录
YOLOv7训练自己的数据集（保姆级教程）：
一、YOLOv7源代码下载
二、安装深度学习环境
三、准备自己的数据集
（一）创建数据集
（二）转换数据集格式
（三）配置相关文件
四、YOLOv7模型训练
接下来，小伙伴们就可以训练自己的数据集啦！！！
论文题目：YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
论文地址：https://arxiv.org/abs/2207.02696
论文代码：https://github.com/WongKinYiu/yolov7/tree/v0.1
YOLOv7可以很好地平衡速度与精度。与现有的通用GPU和移动GPU的目标检测模型进行比较，YOLOv7在速度（FPS）和精度（AP）均超过其他目标检测模型。
YOLOv7训练自己的数据集（保姆级教程）：
一、YOLOv7源代码下载
本人下载的是YOLOv7-0.1版本代码，地址如下：
二、安装深度学习环境
本文安装的pytorch版本是1.9.0，torchvision版本是0.10.0，python是3.8.10，其他的依赖库按照requirements.txt文件安装即可。
三、准备自己的数据集
本人之前一直使用YOLOv5算法，所以标注的数据格式是VOC（xml文件），且YOLOv7能够直接使用的是YOLO格式的数据。
下面主要演示如何将自己的数据集转换成YOLOv7训练格式（小白直接上手训练！！！）。
（一）创建数据集
在Pycharm中打开YOLOv7文件夹，在data目录下创建ZY_data文件夹（具体名字可自定义）。然后在ZY_data文件夹目录下创建dataSet、images以及xml文件夹（并在dataSet目录下创建Main文件夹）
dataSet/Main———用于自动生成train.txt，val.txt，test.txt和trainval.txt四个文件，存放存放训练集、测试集以及验证集图片的序号
images———用于存放数据集图片
xml———用于存放与图片相对应的xml文件
1.images文件夹下具体内容：
2.xml文件夹下具体内容：
3.dataSet/Main文件夹下存放train.txt，val.txt，test.txt和trainval.txt四个文件（训练集、验证集、测试集的划分划分比例），需要通过脚本生成。具体操作流程：在ZY_data文件夹（可以是自定义的文件夹）下创建train_val.py文件，代码如下：
# coding:utf-8
import os
import random
import argparse
parser = argparse.ArgumentParser()
# xml文件的地址，根据自己的数据进行修改 xml一般存放在Annotations下
parser.add_argument('--xml_path', default='xml', type=str, help='input xml label path')
# 数据集的划分，地址选择自己数据下的ImageSets/Main
parser.add_argument('--txt_path', default='dataSet/Main', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 1.0
train_percent = 0.9
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
for i in list_index:
name = total_xml[i][:-4] + '\n'
if i in trainval:
file_trainval.write(name)
if i in train:
file_train.write(name)
else:
file_val.write(name)
else:
file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()4.运行train_val.py文件后，在dataSet/Main文件夹下生成下面四个txt文档：
（二）转换数据集格式
把数据集格式由VOC转换成YOLO的txt格式，即将每个xml标注提取bbox信息为txt格式，训练过程需要使用。
具体操作流程：在data文件夹下创建voc_label.py文件，代码如下：
# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ["person"] # 改成自己的类别
abs_path = os.getcwd()
print(abs_path)
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
def convert_annotation(image_id):
in_file = open('ZY_data/xml/%s.xml' % (image_id), encoding='UTF-8')
out_file = open('ZY_data/labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
#difficult = obj.find('Difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('ZY_data/labels/'):
os.makedirs('ZY_data/labels/')
image_ids = open('ZY_data/dataSet/Main/%s.txt' % (image_set)).read().strip().split()
list_file = open('ZY_data/%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write(abs_path + '/ZY_data/images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()（三）配置相关文件
1.在data文件夹下创建ZYdata.yaml文件（可自定义命名），具体内容如下：
2.选择YOLOv7模型文件
在cfg/deploy文件夹下选择合适的模型配置文件，作者提供了yolov7、yolov7-d6、yolov7-e6、yolov7-e6e、yolov7-tiny-silu、yolov7-w6、yolov7x等多个版本。
以yolov7.yaml为例，只需修改一个参数，将nc修改成自己的类别数即可。
至此，准备自己的数据集的工作已全部结束，下面就可以训练自己的数据集了。
四、YOLOv7模型训练
预训练模型可从源代码地址下载，也可以从头开始训练。
主要修改红色方框里面的内容，更改为自己的路径即可。