yolov7源码：(https://github.com/WongKinYiu/yolov7)
1.数据集预处理（VOC格式）
创建一个新的文件夹（名字随意）用于放自己的数据集，我这里命为mydata，如果怕麻烦严格按照我这里的格式，后面的脚本就不需要怎么改，直接复制黏贴，其中Annotation放自己的标注文件xml文件，hf_txt 存放验证集训练集测试集的数据名；images存放自己的数据集图片。
首先划分数据集，划分数据集脚本hf.py如下：
# -*- coding: utf-8 -*-
import os
import random
trainval_percent = 0.7#数据集比例
train_percent = 0.7
xmlfilepath = 'Annotations'
txtsavepath = 'images'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
ftrainval = open('hf_txt/trainval.txt', 'w')
ftest = open('hf_txt/test.txt', 'w')
ftrain = open('hf_txt/train.txt', 'w')
fval = open('hf_txt/val.txt', 'w')
for i in list:
name = total_xml[i][:-4] + '\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()
将该脚本放置mydata目录下
cd ./mydata
python hf.py
运行成功将得到hf_txt四个文件，里面存放划分好的训练集验证集等不带后缀的数据图片名
将标注文件xml文件转换为yolo格式的txt文件，转换脚本voc_label.py,如下
# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ["yu"] #改成你自己数据集标注类别，双引号单引号都可以，注意中英文输入，不然会报错
abs_path = os.getcwd()
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('Annotations/%s.xml' % (image_id),encoding='utf-8')
out_file = open('labels/%s.txt' % (image_id), 'w',encoding='utf-8')
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
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('labels/'):
os.makedirs('labels/')
image_ids = open('hf_txt/%s.txt' % (image_set)).read().strip().split()
list_file = open('%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write(abs_path + '/images/%s.png\n' % (image_id))#注意自己图片的后缀，jpg就改成jpg，我这里是训练png图片
convert_annotation(image_id)
list_file.close()
进入到mydata目录下执行这个脚本
cd ./mydata
python voc_label.py
执行成功后将会得到三个txt文件，以及labels文件夹，txt里面存放对应数据集图片的训练路径，labels下存放对应图片的坐标信息，五个小于的数，第一个类别代表数，猫框中心坐标（x，y）长和宽（H，w），都经过了归一化处理
到此数据集处理完毕斜体样式
2 增加数据集索引
增加数据集索引，在源码下的data目录下，新建一个yaml文件，写入以下信息
train: mydata/train.txt #数据集的相对路劲
val: mydata/val.txt
# number of classes
nc: 1#数据集类别数量
# class names
names: ['yu']和voc_label.py中的类别一致顺序也是
到此数据集索引处理结束
3 修改配置文件cfg
修改配置文件cfg，在源码下yolov7-main/cfg/training/，选择你要训练的cfg文件，打开，只需修改nc，数据集类别数量，改为自己类别数量如：
下载预训练权重，点对应model，即可下载
4修改训练文件train.py
可以照这个我这里修改，主要修改default=‘yolov7.pt’；default=‘cfg/training/yolov7.yaml’；default=‘data/person.yaml’；
default=20；default=8；这里相对路径，如果显卡不错，batch可以调大点。
**
5配置yolov7虚拟环境
**
我这里使用的硬件
ubuntu 20.04
cuda-10.2
cudnn-7.6.5
注：cuda版本很重要，必须知道
查看cuda版本命令
nvcc -V
输出即可查看cuda版本，如果查不到，自行百度安装相应的可兼容cuda版本
查看自己ubuntu系统可兼容的最高版本cuda，输入一下命令
nvidia-smi
输入看到，cuda可安装<=11.4,不可高于这个版本，否则安装不了
其次，必须装anaconda，anaconda版本尽量装python高版本如3.9，不然虚拟环境配置的python必须小于等于该版本，否则报错。
上述准备完毕，开始建立虚拟环境yo7
conda create -n 环境名（随意，英文即可） python =3.8
conda create -n yo7 python =3.8 //（我的）
激活环境
conda activate yo7
进入源码根目录
cd ./yolov7-main
pip install -r requirements.txt
如果下载很慢可以用国内源，尝试以下命令;
pip install -i https://pypi.douban.com/simple -r requirements.txt
成功安装没有报错，就可以训练啦，奥利给
python train.py