yolov7主*分结构图：yolov7主干
yolov7数据集处理代码：yolov7数据集处理代码
yolov7训练参数解释：yolov7训练参数【与本文代码有区别】
yolov7训练代码详解：yolov7训练代码详解
目录
训练自己的训练集
此处的数据集是采用VOC的格式。
数据集存放格式：
─dataset
│ ├─Annotations # 存放xml标签文件
│ ├─images # 存放图片
│ ├─ImageSets # 存放图片名称的txt文件
│ └─labels # 存放标签txt文件
先运行项目代码makeTXT：
python makeTXT.py此时会在ImageSets下生成4个txt文件(这四个txt中仅包含每个图像的名称)
ImageSets/
|-- test.txt
|-- train.txt
|-- trainval.txt
`-- val.txt
打开voc_label.py.修改classes为自己的类。
然后运行该代码。
python voc_label.py将会在dataset文件下生成test.txt、train.txt、val.txt【这些txt仅包含图像路径】。然后在dataset/labels下会生成每个图像的txt【这些txt格式内容表示为类别索引+(center_x,center_y,w,h)】
接下来是配置文件的修改。
打开cfg/training/yolov7.yaml。将nc修改为自己的类别数量。
接下来在data/文件下新建一个yaml文件【我这里写的是mydata.yaml】，内容如下，需要修改两个地方：
train: ./dataset/train.txt val: ./dataset/val.txt test: ./dataset/test.txt # number of classes nc: 1 # 修改处1 修改为自己的类 # class names names: [ 'target' ] # 修改处2 类的名称
有关训练中的超参数设置【比如初始学习率，动量，权重衰减等，可自行在data/hyp.scratch.p5.yaml中修改】。
训练：
python train.py --weights yolov7.pt --batch-size 2 --device 0正常的训练将会看到以下信息。
2023-03-11 11:50:48.658 | INFO | __main__:train:316 -
Epoch gpu_mem box obj cls total labels img_size
0/299 2.58G 0.04649 0.4474 0 0.4939 5 640: 100%|██████████████████████████████████████████████████████████████| 359/359 [02:39<00:00, 2.25it/s]
Class Images Labels P R mAP@.5 mAP@.5:.95: 100%|████████████████████████████████████████████████████| 20/20 [00:07<00:00, 2.78it/s]
all 80 147 0.2 0.204 0.102 0.0191
生成推理阶段的模型
由于yolov7中训练与推理并不是一个模型，是将训练后的模型进行重参数生成新模型。
因此需要运行tools/Reparameterization.py文件。【运行前注意修改文件中的权重路径以及类的数量】
python tools/Reparameterization.py --ckpt yolov7.pt --num_classes 80
生成剪枝后的推理模型
python tools/Reparameterization.py --ckpt runs/train/exp2/weights/best.pt --num_classes 1 --pruned
不过发现重参数化后的剪枝模型，鲁棒性不如未参数化
将会在cfg/deploy下生成yolov7.pt
torch转onnx
修改tools/pytorch2onnx.py中的权重路径
运行该代码即可得到onnx模型
剪枝
进入tools文件，修改prunmodel.py文件中需要剪枝的权重路径。重点修改58~62行。这里是以修改model的前10层为例。
included_layers = [] for layer in model.model[:10]: # 获取backbone if type(layer) is Conv: included_layers.append(layer.conv) included_layers.append(layer.bn)
下面代码是剪枝conv和BN层。【重点是tp.prune_conv】，自己修改amout
if isinstance(m, nn.Conv2d) and m in included_layers: # amount是剪枝率 # 卷积剪枝 pruning_plan = DG.get_pruning_plan(m, tp.prune_conv, idxs=strategy(m.weight, amount=0.8)) logger.info(pruning_plan) # 执行剪枝 pruning_plan.exec() if isinstance(m, nn.BatchNorm2d) and m in included_layers: # BN层剪枝 pruning_plan = DG.get_pruning_plan(m, tp.prune_batchnorm, idxs=strategy(m.weight, amount=0.8)) logger.info(pruning_plan) pruning_plan.exec()
出现以下内容说明剪枝成功 【感觉不如yolov5剪的参数多，v7的剪枝感觉效果一般，请自行尝试】 2023-03-15 14:57:40.825 | INFO | __main__:layer_pruning:84 - Params: 37196556 => 36839795 2023-03-15 14:57:41.176 | INFO | __main__:layer_pruning:95 - 剪枝完成
剪枝的模型会保存在model_data下
剪枝后的微调训练
与之前的训练一样。只不过需要传入weights，和pruned
python train.py --weights model_data/layer_pruning.pt --pruned
预测图像或视频
支持剪枝后的预测
python detect.py --weights cfg/deploy/yolov7.pt --source dataset/images/
代码：GitHub - YINYIPENG-EN/yolov7_torch: yolov7 pytorch
后续将更新tensorrt，请持续关注
如果剪枝遇到什么问题可以留言，有关精确度的问题还请自己尝试，因为每个人剪枝的地方不同，数据集不同，会有很多区别