首先：配好虚拟环境

这步不会的直接去PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】_哔哩哔哩_bilibili

我的版本是python3.8，cuda11.6，torch1.12.1+cu1.6

一：yolov7源代码下载地址GitHub - WongKinYiu/yolov7: Implementation of paper - YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors

二：下载预训练权重模型

我下了yolov7.pt和yolov7x.pt，放在下好的yolov7-main文件夹中留着用

三：安装所需要的包

在anaconda中，进入虚拟环境，进入下载好yolov7-main的文件夹

（requirements文件里面是所需要的包）安装

pip install -r requirements.txt

把所需要用到的包都下载下来，不然还得一个一个下。

四：建一个datasets管理自己的数据集

datasets组成如下图，我的分配比例是8：1：1

 每一个图片有一个对应自己的labels，格式为txt，内容为类别序号与位置坐标，这里使用labelimg标注的yolo格式的txt

五：在data文件夹下写一个自己的data.yaml文件

 按照data文件夹下的coco.yaml文件抄，分别写数据集的train,val,test的绝对地址

有几个类别nc就是几，name就是类别的名字，一定要按顺序写

六：修改cfg文件夹下training文件夹下的yaml文件

用哪个就改哪个的nc，改成自己的类别数，与上一步data.yaml中的nc相同

 七：修改train.py中的参数

要改红框一下参数default

weights为下载的预训练模型权重，注意地址问题，不然出错

cfg写改过的cfg文件夹下training文件夹下的yamle文件，注意地址问题

data写自己改的data文件夹下的data.yaml文件，注意地址问题

epochs迭代次数，默认300，过拟合就调小

batch-size一次扔进去几张图，电脑显存不够的话，调小一点

workers线程推荐设置为0（学习from小土堆）

（训练结果保存在runs文件夹下的train文件夹下exp）

其他具体参数详情学习地址：

训练YOLOv5模型（本地）(一）_哔哩哔哩_bilibili

（虽然是yolov5但是参数几乎一样，v5学好即通v7）

改完这些，可以进行训练了，运行train.py文件

运行起来长这样：

 八：结果的分析

train：124张    val：26张    test：26张            

类别2，face与mask，epoches=50，batch-size=4

训练结果 如下

虽然差点意思，但是这是我训练的第五个数据集了，终于有一个结果让我还可以满意了，那么这个文件夹以及每一个图代表什么意思看这里，日后我会继续扩增数据集(1条消息) yolov7模型训练结果分析以及如何评估yolov7模型训练的效果_yolo训练结果分析_把爱留给SCI的博客-CSDN博客

九：对训练的模型进行检测

修改detect.py文件

weights选择在训练结束后，产生最好的结果，best.pt

source为要检测的图片路径，我使用的数据集的test部分 

改好了运行detect.py文件

产生检测结果在runs文件夹下的detect文件夹下exp

十：过程中出现的错误

1：没有utils模块，解决

pip install web.py==0.40-dev1

 2：训练结果precision.recall.map全为0，解决:检查数据集，标签内容与图片是否对应，包括格式

3：cuda out of memory，显存不够，解决：减小batch-size，如果变成2或者1都不行，那就加上不计算梯度代码，其他博主有很多方法

4：训练结果不好，以个人经历的结果考虑，数据集要足够大，每个类别的图片要足够多，标签要足够精确，才能训练出好的结果，如果精度不够高，说明迭代次数还不够