下载yolov7源码
源码地址：
https://github.com/WongKinYiu/yolov7
可以上github网站直接下载，也可以使用git命令进行下载，本次教程下载源码的时间是2022.10.13，项目在不断更新，因此不同时间下载，源代码稍有不同（目前只有一个版本，后续应该会出现新版本）。
下载得到的源码压缩包：
本地解压后，使用PyCharm打开，项目结构如下：
配置环境
2.1创建虚拟环境
为本项目新建一个虚拟环境，当然，也可以使用现有的环境；新建环境的好处是避免破坏之前项目的环境：
conda create --name yolov7 python=3.7.13
yolov7虚拟环境新建好之后，激活它：
conda activate yolov7
这样，我们就可以在yolov7虚拟环境下安装一系列的库。
根据requirements.txt中的内容，安装依赖库。
2.2安装依赖库
例如安装torch、torchvision：
查看pytorch是否安装成功：
可以导入，说明安装成功；显示False，说明安装的是CPU版本，无法使用GPU资源。
先查看以下，Windows系统上的显卡是否正常，打开终端输入命令：
nvidia-smi
CUDA版本：11.6驱动版本：512.77显卡型号：
Windows系统机器上有GPU资源，因此我们安装可以使用GPU资源的pytorch。
先卸载刚才安装的torch、torchvision：
pip uninstall torch
pip uninstall torchvision
登录pytorch官网https://pytorch.org/：
根据需要选择对应的CUDA版本、安装方式、系统等，生成安装命令：
安装结束后，查看GPU版本的pytorch是否可用：
显示True，说明GPU版本的pytorch安装成功。剩余依赖库的安装不再赘述。
2.3下载权重
yolov7有不同的模型结构，因此提供了不同的预训练权重文件：
本教程使用yolov7x_training.pt预训练权重，下载权重文件后放入新建的weights文件夹下：
2.4测试环境
打开终端输入命令，测试配置环境是否可用：
python detect.py --weights weights/yolov7x_training.pt --source inference/images
如果看到以下运行结果，说明环境配置成功：
如果出现如下提示信息，说明缺少依赖库：
ModuleNotFoundError: No module named xxx
请根据提示信息，使用pip命令安装依赖库：
pip install xxx
测试图片的检测结果保存在runs/detect/exp/文件夹下：
准备数据集
3.1数据集介绍
本教程使用的是东北大学带钢表面缺陷检测数据集，该数据集收集了夹杂、划痕、压入氧化皮、裂纹、麻点、斑块6种缺陷，每种缺陷300张图片，图片的尺寸为200×200。
每张图片对应一个xml文件：
使用labelimg标注工具查看数据：
注：没有labelimg工具的朋友，可以打开本地的Anaconda Prompt窗口进行安装
安装命令为：
pip install labelimg
使用命令：
本数据集在之前的文章中介绍过，想获取数据集的朋友可以查看公众号之前发布的文章：
【表面缺陷检测】表面缺陷检测数据集汇总
。
将数据集放在项目目录下：
3.2数据集转换
编写一个prepare_train_val.py脚本，实现xml文件格式转为yolo文件格式，并实现数据集的划分：
将数据集划分为训练集和验证集，总体结构如下：VOCdevkit --images --train --xxx_1.jpg --xxx_2.jpg --val --xxx_3.jpg --xxx_4.jpg --labels --train --xxx_1.txt --xxx_2.txt --val --xxx_3.txt --xxx_4.txt
prepare_train_val.py代码获取:https://blog.csdn.net/AugustMe/article/details/127320880
配置文件
在data文件夹下新建一个voc_neu.yaml文件（可以自定义命名）：
写入内容如下：
# 注意路径，否则会报错
train: C:\Users\Z\Desktop\yolov7_neu\yolov7-main\VOCdevkit\images\train
val: C:\Users\Z\Desktop\yolov7_neu\yolov7-main\VOCdevkit\images\val
nc: 6
names: ['crazing', 'inclusion', 'patches', 'pitted_surface', 'rolled-in_scale', 'scratches']
由于yolov7提供了好几个模型:
我们每一次训练只能使用一个，因此需要在cfg/training/（和cfg/deploy/文件夹下的并不是一样的，后面慢慢介绍）文件夹下选一个模型：
我们选用yolov7x模型，将yolov7x.yaml的内容复制到新建的yolov7x_neu.yaml，并修改类别数量：
新建的yolov7x_neu.yaml
yolov7x_neu.yaml中的内容
训练
切换到项目所在目录，执行命令：
# 指定预训练权重、模型结构、图片路径、训练轮数、批次大小、图片大小
python train.py --weights weights/yolov7x_training.pt --cfg cfg/training/yolov7x_neu.yaml --data data/voc_neu.yaml --epochs 100 --batch-size 8 --img-size 640 --project runs/train
不出所料，报错了：
解决方法，执行命令时workers设为0（Windows系统下，num_workers设为0可以直接解决报错问题，如果不设为0，需要修改内部代码）：
# 指定预训练权重、模型结构、图片路径、训练轮数、批次大小、图片大小
python train.py --weights weights/yolov7x_training.pt --cfg cfg/training/yolov7x_neu.yaml --data data/voc_neu.yaml --epochs 100 --batch-size 8 --img-size 640 --workers 0 --project runs/train
上面的问题解决了，新的问题出现了：
batch-size、img-size的大小不宜过大，否则出现内存溢出的错误；将batch-size设为4，img-size设为320，执行下面的训练命令：
# 指定预训练权重、模型结构、图片路径、训练轮数、批次大小、图片大小
python train.py --weights weights/yolov7x_training.pt --cfg cfg/training/yolov7x_neu.yaml --data data/voc_neu.yaml --epochs 100 --batch-size 4 --img-size 320 --workers 0 --project runs/train
开始训练：
查看GPU使用情况：
Windosw系统上只有一块NVIDIA GeForce RTX 2060显卡，显存为6GB，因此batch-size、img-size不能设太大，否则会出现上面提到的内存溢出问题。如果有两张Tesla V100或Tesla P100，可以将batch-size设为64，img-size设为640。
训练结束后，验证集上各个缺陷指标数据：
验证集上PR曲线：
训练好的模型保存在runs/train/exp/weights/目录下：
测试
将待测试的图片放入testpics文件夹：
执行测试命令：
# 指定训练好的模型、测试图片路径、图片大小
# 检测多张
python detect.py --weights runs/train/exp/weights/best.pt --source testpics --img-size 320 --project runs/detect
# 检测单张
python detect.py --weights runs/train/exp/weights/best.pt --source testpics/patches_166.jpg --img-size 320 --project runs/detect
在runs/detect/文件夹下查看检测结果：
结论
在Windows系统下，我们使用一张NVIDIA GeForce RTX 2060显卡，训练基于yolov7钢板表面缺陷检测模型，花费了近2个小时，验证集上六个缺陷类别的mAP@0.5为0.765，总体上可以实现缺陷的检测。其实，这个数据集的质量也不是很高，才导致各项指标不是特别高。永远记住：数据决定上限，模型决定下限。
参考资料
[1]https://github.com/WongKinYiu/yolov7[2]https://zhuanlan.zhihu.com/p/547878330
关注公众号
