- 作业主要内容
- 一、yolo原理的了解
- 二、环境的配置
- 1.NVIDIA驱动的安装与更新
- 2.anaconda的安装
- 3.yolo环境配置
- 三、labellmg的安装与使用
- 四、对yolo代码的一些解析
此次培训作业主要包括：1.yolo原理的了解
2.环境的配置
3.labellmg的安装与使用
4.对yolo代码的一些解析
yolo原理的基本了解主要还是靠上某站找视频和在本网站找相关的文章
某站资料
本站资料
查找自己的显卡型号，步骤为：此电脑右击–>管理–>设备管理器–>显示适配器。就可以看到电脑显卡的版本，到官网进行驱动更新。
官网链接：在这
仔细根据自己的电脑配置选择相应的版本，这里我选择最新的
然后点击搜索
点击下载然后无脑安装就可以了
值得注意的是安装过程中可能出现花屏等正常现象
这个网上有很多有用的安装教程，不再过多赘述。
链接：教程
安装好anaconda后，在菜单中打开anaconda prompt,然后创建yolov7环境
直接输入conda create -n yolov7 python=3.9
这里python可自行选择，因为我的anaconda用的就是3.9版本，因此我这里选择3.9
然后conda activate yolov7进入环境中，准备安装pytorch
官网链接：官网链接
然后选择版本，我用的是gpu
然后复制下面的代码：conda install pytorch torchvision torchaudio cudatoolkit=11.6 -c pytorch -c conda-forge 直接安装，下载慢是正常现象。
之后进去已经克隆好的yolov7文件中，找到requirement.text文件中（默认以及克隆好，不会的可以去网上找教程），把torch和pytorch都注释掉，因为我们刚刚已经下载好了。
然后继续在yolov7环境中输入pip install -r requirements.txt安装所需要的包和库。
然后打开vsconde选择yolov7文件，按住CTRL+shift+p选择刚刚那个yolov7环境，最后在终端中输入python detect.py运行测试显示出这个就是运行成功
测试好的图片 放在runs中，大概长这样：
至此，环境配置才算结束。
不再过多赘述，具体可参考这篇文章
四、对yolo代码的一些解析这里是直接参考同营大佬
opt模型主要参数解析：
–weights：初始化的权重文件的路径地址
–cfg：模型yaml文件的路径地址
–data：数据yaml文件的路径地址
–hyp：超参数文件路径地址
–epochs：训练轮次
–batch-size：喂入批次文件的多少
–img-size：输入图片尺寸
–rect:是否采用矩形训练，默认False
–resume:接着打断训练上次的结果接着训练
–nosave:不保存模型，默认False
–notest:不进行test，默认False
–noautoanchor:不自动调整anchor，默认False
–evolve:是否进行超参数进化，默认False
–bucket:谷歌云盘bucket，一般不会用到
–cache-images:是否提前缓存图片到内存，以加快训练速度，默认False
–image-weights：使用加权图像选择进行训练
–device:训练的设备，cpu；0(表示一个gpu设备cuda:0)；0,1,2,3(多个gpu设备)
–multi-scale:是否进行多尺度训练，默认False
–single-cls:数据集是否只有一个类别，默认False
–adam:是否使用adam优化器
–sync-bn:是否使用跨卡同步BN,在DDP模式使用
–local_rank：DDP参数，请勿修改
–workers：最大工作核心数
–project:训练模型的保存位置
–name：模型保存的目录名称
–exist-ok：模型目录是否存在，不存在就创建
————————————————
原文链接：https://blog.csdn.net/qq_67004876/article/details/125875206
`
至此第一次作业结束。
