YOLO V7项目使用

YOLO V7项目使用

根据官方论文中提供的项目地址:使用git clone将项目下载到本地。

https://github.com/WongKinYiu/yolov7

在这里插入图片描述

git clone https://github.com/WongKinYiu/yolov7

使用pycharm打开项目,根据官方提供的requirement.txt文件下载项目启动所需要的环境(在yolo v7的虚拟环境下)

在这里插入图片描述

官方的md文件中给出了需要在终端中切换的目录,和安装的命令如下所示:

cd yolov7
pip install -r requirements.txt # install

存在的问题

  1. 问题一:charset_normalizer版本不匹配问题导致循环导入模块

同样在使用yolo v7项目启动时也会和v5项目一样发生类似的报错信息。我们可以发现同样是charset_normalizer这个组件发生了问题,采用和v5相同的方法更新版本信息再一次进行尝试

Traceback (most recent call last):
AttributeError: partially initialized module ‘charset_normalizer’ has no attribute ‘md__mypyc’ (most likely due to a circular import)

pip install --force-reinstall charset-normalizer==3.1.0
  1. 问题二:启动时验证不通过问题

我第一次下载的项目使用的是github上下载的压缩包文件,经过解压之后导入的pycharm,在启动验证的时候缺少git相关的文件导致启动失败。(git init初始化启动也是不可以)建议还是git clone 网址或者ssh地址

  1. 问题三:项目启动时默认还是采用的cpu版本的torch和之前yolo v5产生的错误类型相同

采用同样解决方式使用conda安装GPU(CUDA)版本的torch,之后我们在执行训练模型的文件将整个YOLO v7项目启动失败(先卸载之前pip安装的cpu版本)

后面直接使用pip命令来安装GPU版本的torch命令如下

pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

在这里插入图片描述

这是我们默认使用的就是GPU的环境。

  1. 执行训练文件时产生报错信息。(个人感觉是最大的一个问题,网上很多的资料说yolov7存在一些小的BUG建议train.py中使用绝对路径

第二个问题是数据集默认是无法下载的需要自己解压到data路径下面,我数据集就打算使用v5中使用过的coco128数据集,并参考v5的配置文件

Exception: train: Error loading data from ./coco/train2017.txt: train: coco\train2017.txt does not exist
See https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data

注意训练集中不能含有cache文件否则也会进行报错_pickle.UnpicklingError: unpickling stack underflow

执行时会新建一个cache

train: New cache created: D:\Git-res\DeepLearing\DL_01\YOLOV7\yolov7\data\datasets\coco128\labels\train2017.cache

修改步骤加入自己的数据集和配置文件(配置文件格式一定参考官方的来进行

在这里插入图片描述

# COCO 2017 dataset http://cocodataset.org# download command/URL (optional)
download: bash ./scripts/get_coco.sh# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: D:\\Git-res\\DeepLearing\\DL_01\\YOLOV7\\yolov7\\data\\datasets\\coco128\\images\\train2017  # 118287 images
val: D:\\Git-res\\DeepLearing\\DL_01\\YOLOV7\\yolov7\\data\\datasets\\coco128\\images\\train2017   # 5000 images
test: D:\\Git-res\\DeepLearing\\DL_01\\YOLOV7\\yolov7\\data\\datasets\\coco128\\images\\train2017   # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794# number of classes
nc: 80# class names
names: [ 'person', 'bicycle', 'car', 'motorcycle', 'airplane', 'bus', 'train', 'truck', 'boat', 'traffic light','fire hydrant', 'stop sign', 'parking meter', 'bench', 'bird', 'cat', 'dog', 'horse', 'sheep', 'cow','elephant', 'bear', 'zebra', 'giraffe', 'backpack', 'umbrella', 'handbag', 'tie', 'suitcase', 'frisbee','skis', 'snowboard', 'sports ball', 'kite', 'baseball bat', 'baseball glove', 'skateboard', 'surfboard','tennis racket', 'bottle', 'wine glass', 'cup', 'fork', 'knife', 'spoon', 'bowl', 'banana', 'apple','sandwich', 'orange', 'broccoli', 'carrot', 'hot dog', 'pizza', 'donut', 'cake', 'chair', 'couch','potted plant', 'bed', 'dining table', 'toilet', 'tv', 'laptop', 'mouse', 'remote', 'keyboard', 'cell phone','microwave', 'oven', 'toaster', 'sink', 'refrigerator', 'book', 'clock', 'vase', 'scissors', 'teddy bear','hair drier', 'toothbrush' ]

parser.add_argument(‘–batch-size’, type=int, default=8, help=‘total batch size for all GPUs’)

训练批次不要设置的过大否则算力不足很难跑的动

在这里插入图片描述

项目功能补充

  1. 使用网络摄像头进行实时的目标检测

更改配置项的参数设置default=‘0’ (从路径改为使用本机的第一个摄像头)

parser.add_argument('--source', type=str, default='0', help='source')
  • 注意点:提前开启摄像头权限。

在执行完成关闭程序以后会生成一个.mp4的文件

  1. YOLO v7中的拓展功能测试(关键点检测)提前手动下载所需要的yolov7-w6-pose.pt文件

    在这里插入图片描述

  2. 执行训练过程完成整个项目的使用

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/41348.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Java实习手册(小白也看得懂)

秃狼说 距离俺发布的学习路线已经六个月了,那我给小伙伴的学习周期是四五个月左右,我相信大多的小伙伴已经学习的差不多了。正好赶上暑期实习的阶段,在暑期找到实习就成为暑期的头等大事。 实习经验在校招的起到决定性的作用,所…

Spring Security基本源码解析(超精细版)

一、基本源码解析 1.1 UsernamePasswordAuthenticationFilter 用户名称和密码的过滤器 浏览器发送用户名称和密码 ----》 经过过滤器「UsernamePasswordAuthenticationFitler」 1.2 UsernamePasswordAuthenticationFilter核心方法 重写父类「AbstractAuthenticationProcessing…

spring6中如何不使用@RequestParam注解

RequestParam的使用场景 RequestParam注解可以用在GET和POST请求中,用于指定请求路径或请求体的参数,通常请求格式为表单格式 什么情况下可以不使用RequestParam注解 当Controller方法的参数名与请求中的参数名一致时,可以不用RequestPar…

2.4章节python中字符串类型

在Python中,字符串(String)是一种基本的数据类型,用于表示文本信息。字符串可以包含字母、数字、标点符号或任何Unicode字符。Python中的字符串是不可变的,这意味着一旦创建了字符串,就不能更改字符串中的字…

Build a Large Language Model (From Scratch)附录D(gpt-4o翻译版)

来源:https://github.com/rasbt/LLMs-from-scratch?tabreadme-ov-file https://www.manning.com/books/build-a-large-language-model-from-scratch

C++实现简化 QtBase(4):增加简单实用的事件机制

前面的文章已经实现了许多QObject的功能了: C实现一个简单的Qt信号槽机制 C实现简化版Qt信号槽机制(2):增加内存安全保障 C实现简化版Qt的QObject(3):增加父子关系、属性系统 但是,…

Windows 下载安装ffmpeg

下载地址 https://ffmpeg.org/download.html 测试 管理员方式打开控制台,输入ffmpeg测试 配置环境变量

让你的 Rabbids Rockstar人物化身加入欢乐行列!

让你的 Rabbids Rockstar 人物化身加入欢乐行列! https://www.youtube.com/watch?vwLBd20BxbS8 当这些调皮的小兔子以狂野的装扮、超棒的吉他弹奏和搞笑滑稽的动作登上舞台中央时,你将感受到它们异想天开的魅力。通过人物化身释放你内心的摇滚明星魅力&…

Eigen 欧拉角转旋转矩阵相互转换

目录 一、什么是欧拉角 二、理解欧拉角 2.1 旋转顺序 2.2 内旋和外旋 2.3 万向锁 2.4 如何避面出现万向锁 三、欧拉角与旋转矩阵相互转化 3.1 欧拉角转旋转矩阵 3.2 代码示例 3.3 旋转矩阵转欧拉角 3.4 代码示例 一、什么是欧拉角 欧拉角(Euler Angles)就是物体绕…

【收藏级神丹】Liae384_刘亦菲_直播可用,平衡度最高的原创神丹,独家珍稀资源

Liae384_刘亦菲_DFL神丹:点击下载 此丹较重,小卡可以使用但不能训练,实测复训适合24G卡8G、12G、16G卡下载练好的专丹直接使用即可384的Liae对各类杂论视频兼容比较好,高参也能容忍高分辨率的DST复用方式: 非必要不用删除AB&…

Go源码--channel源码解读

简介 channel顾名思义就是channel的意思,主要用来在协程之间传递数据,所以是并发安全的。其实现原理,其实就是一个共享内存再加上锁,底层阻塞机制使用的是GMP模型。可见 GMP模型就是那个道,道生一,一生二,二生三,三生…

【Mathematica14.0】快速从下载安装到使用

目录 1.简介 2.下载安装 下载 安装 3.一小时掌握mathematica使用 单元模式 内置函数 符号表达式 迭代器 赋值 通配符及查找替换 函数定义 匿名函数(拉姆达表达式) 函数映射 函数式与运算符 函数自定义选项 图形可视化 交互式界面 数值…

Rocky Linux 9.4基于官方源码制作openssh 9.8p1二进制rpm包 —— 筑梦之路

2024年7月1日,openssh 9.8版本发布,主要修复了CVE-2024-6387安全漏洞。 由于centos 7的生命周期在6月30日终止,因此需要逐步替换到Rocky Linux,后续会有更多分享关于Rocky Linux的文章。 环境说明 1. 操作系统版本 cat /etc/o…

【论文阅读】-- Strscope:不规则测量的时间序列数据的多尺度可视化

Stroscope: Multi-Scale Visualization of Irregularly Measured Time-Series Data 摘要1 引言2相关工作2.1(大型)时间序列数据可视化2.2 事件序列数据可视化2.3 评价 3问题分析3.1 数据集3.2 场景——现状3.3 设计流程3.4 设计原理 4 涟漪图&#xff1a…

极限学习机(Extreme Learning Machine,ELM)及其Python和MATLAB实现

极限学习机(Extreme Learning Machine,ELM)是一种快速而有效的机器学习算法,最初由马洪亮等人于2006年提出。ELM是一种单隐层前馈神经网络,其背景源于对传统神经网络训练过程中反向传播算法的改进与优化。相比传统神经…

JAVA连接PLC实现点位数据的读写操作-iot-communication

iot-communication 简介 iot-communication 是一个开源项目,主要服务于物联网(IoT)领域的开发者,提供了一套全面且深入的工具集,以促进物联网应用的开发。该项目是由 Oscura(网名 xingshuang)创建的,并且自2019年启动以来持续更新,到了2024年已经发布了 v1.5.0 版本。…

使用中国大陆镜像源安装最新版的 docker Deamon

在一个智算项目交付过程中,出现了新建集群中的全部 docker server V19 进程消失、仅剩 docker server 的 unix-socket 存活的现象。 为了验证是否是BD产品研发提供的产品deploy语句缺陷,需要在本地环境上部署一个简单的 docker Deamon 环境。尴尬的是&a…

针对某客户报表系统数据库跑批慢进行性能分析及优化

某客户报表系统数据库跑批时间过长,超出源主库较多,故对其进行了分析调优,目前状态如下: 1、业务连接的rac的scanip,因为负载均衡将跑批的连接连接到了多个计算节点导致节点间通讯成本较高,故速率缓慢&…

HexPlane: A Fast Representation for Dynamic Scenes一种动态场景的快速表示方法

Abstract 动态三维场景的建模与再现是三维视觉领域的一个具有挑战性的课题。先前的方法基于 NERF 并依赖于隐式表示这是缓慢的,因为它需要许多 MLP 评估,限制真实世界的应用程序。我们展示了动态三维场景可以明确地表示为六个平面的学习功能&#xff0c…

10.10记录

云轴-电话面试 python- 深拷贝和浅拷贝 copy.copy():浅拷贝是创建一个新对象,但是新对象的元素是原对象的引用。也就是说,新对象和原对象共享同一块内存空间。当原对象的元素发生改变时,新对象的元素也会随之改变。 copy.deepco…