1. 拉取代码创建环境

• 执行nvidia-smi验证cuda环境是否可用；
• 拉取官方代码；
  • clone官方代码仓库 git clone https://github.com/WongKinYiu/yolov7；
  • 从main分支切换到u7分支 cd yolov7 && git checkout 44f30af0daccb1a3baecc5d80eae22948516c579；(YOLO_v5的所有视觉任务在同一个代码仓库中，YOLO_v7不同的分支对应不同的任务，分割任务对应u7)
• 安装环境 pip install --upgrade pip && pip install -r requirements.txt；

2. 用预训练模型推理

• 下载与训练权重； wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7-seg.pt；(更换代理会出现下载的权重只有2k，可以选择取u7分支下手动下载)
• 用predict.py推理； python segment/predict.py --weights <权重文件路径> --source <图片/视频路径> --name xxx

3. 准备数据集

 labelimg/labelme/Roboflow，此处选用Roboflow；

• 创建项目
  
• 通过web控件和本地API上传图片；
  
• 标注
   手动标注固然稳，使用基于SAM的Smart Polygon是真的香；
• 生成数据集
   创建数据集(不同版本) ~> 切分 ~> 前处理 ~> 增强
  
• 导出数据集
   Roboflow提供了训练平台(只是免费的次数有限)；
  

4. 训练

 下面以实力分割为例，更换任务类型方法如下；

 训练代码如下；

	python segment/train.py --batch-size 16 --img-size 640 --epochs 10 --data {dataset.location}/data.yaml --weights $WEIGHTS_PATH --device 0 --name custom

5. 验证模型

6. 上传模型进行验证

7. 从Roboflow部署到边缘设备