- 1. 依赖类库
- 2. 相关下载(可跳过本步,依据后面步骤按需下载)
- 3. 源码调试
- 3.1 下载源码
- 3.2 下载预训练模型
- 3.3 下载数据集
- 4. 运行代码
- 4.1 用VSCode打卡项目文件夹
- 4.2 运行测试代码
- 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。
- 5.2 若提示错误：BrokenPipeError，将utils/datasets.py的87行的num_workers设置为0即可
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
- 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
3. 源码调试 3.1 下载源码test2017
test2017：http://images.cocodataset.org/zips/test2017.zip
test2017 info：http://images.cocodataset.org/annotations/image_info_test2017.zip
下载YOLO7源码（点击下载），并进行解压。
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。
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，
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runstestexp目录下
- 打开系统高级设置
- 选择高级选项卡，点击性能框中的设置按钮
- 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
- 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）
- 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。
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)
