YOLOv7_d2项目安装与使用指南
项目概述
YOLOv7_d2是基于YOLOv7目标检测算法的实现项目，该项目整合了Detectron2框架，提供了完整的训练和推理流程。与常规的库安装不同，该项目是一个完整的解决方案，需要特定的依赖环境配置。
环境准备
基础依赖安装
在开始前，必须首先安装Detectron2框架，这是项目运行的基础依赖。Detectron2是Facebook AI Research开发的目标检测和分割框架，提供了高效的实现和丰富的功能。
关键依赖库
项目需要安装两个重要的第三方库：
-
alfred-py：这是一个功能强大的可视化工具库，提供了丰富的可视化功能，包括边界框、掩码等的绘制。特别适合用于COCO、VOC和YOLO格式数据集的直观展示。安装后可以通过命令行工具
alfred查看更多功能细节。 -
nbnb：这是一个包含常用网络模块的工具库，为模型构建提供了便利。
这两个库都可以直接通过pip安装：
pip install alfred-py nbnb
可选依赖
如果需要使用fbnetv3网络结构，还需要安装Facebook的mobilecv库：
pip install git+https://github.com/facebookresearch/mobile-vision.git
模型训练
预训练模型
项目提供了多种预训练配置，包括：
- 使用Darknet53作为骨干网络的YOLOv7：
python train_net.py --config-file configs/coco/darknet53.yaml --num-gpus 8
- YOLOX-S模型：
python train_net.py --config-file configs/coco/yolox_s.yaml --num-gpus 8
注意：--num-gpus参数应根据实际可用的GPU数量进行调整。
自定义数据集训练
数据准备
项目要求数据集采用COCO格式，这是目前目标检测领域最通用的格式之一。如果你的数据是其他格式（如VOC或YOLO格式），需要先转换为COCO格式。
配置自定义数据集
以VisDrone数据集为例，配置步骤如下：
- 在
configs目录下为你的数据集创建新的配置文件夹 - 在配置文件中指定数据路径：
DATASETS:
TRAIN: ("visdrone_train",)
TEST: ("visdrone_val",)
- 在训练脚本中注册数据集：
DATASET_ROOT = './datasets/visdrone'
ANN_ROOT = os.path.join(DATASET_ROOT, 'visdrone_coco_anno')
TRAIN_PATH = os.path.join(DATASET_ROOT, 'VisDrone2019-DET-train/images')
VAL_PATH = os.path.join(DATASET_ROOT, 'VisDrone2019-DET-val/images')
TRAIN_JSON = os.path.join(ANN_ROOT, 'VisDrone2019-DET_train_coco.json')
VAL_JSON = os.path.join(ANN_ROOT, 'VisDrone2019-DET_val_coco.json')
register_coco_instances("visdrone_train", {}, TRAIN_JSON, TRAIN_PATH)
register_coco_instances("visdrone_val", {}, VAL_JSON, VAL_PATH)
关键点说明
DATASET_ROOT：数据集根目录ANN_ROOT：标注文件存放目录TRAIN_PATH/VAL_PATH：训练/验证集图片路径TRAIN_JSON/VAL_JSON：训练/验证集标注文件
注册完成后，就可以使用与预训练模型相同的方式开始训练你的自定义数据集了。
常见问题
-
为什么需要Detectron2：该项目基于Detectron2框架构建，利用了其高效的数据加载、模型训练和评估流程。
-
数据格式转换建议：可以使用开源工具如
labelme2coco或voc2coco进行格式转换，确保转换后的标注文件符合COCO格式规范。 -
多GPU训练：当使用多GPU时，确保CUDA环境配置正确，并且各GPU型号一致以避免性能问题。
通过以上步骤，你应该能够顺利完成YOLOv7_d2项目的环境配置，并开始训练自己的目标检测模型。
