yolov7那些事-安装&测试

引言

最近项目情况稍微稳定了，时间比较宽裕，刚好朋友有一些机械学习方面的交流，让我萌生起来学习一波的想法。找了两圈gayhub，在2022年7月6日正式宣布的yolov7发布，其介绍为Implementation of paper - YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors，查看了一下各种对比效果，发现就是基本上完美吊打其他所有的框架，果断选定他来进行一波学习。而在这个整体基础环境部署中，各种踩坑，各种懵逼怀疑人生，总算摸透了其中关键点，特此编写此文，分享给各位，少走弯路。注意，此文主要是针对有显卡的用户进行指导，无显卡的相关小伙伴，可以安装pytorch则直接选择安装cpu版本，同时运行yolov7相关训练、测试命令改成cpu模式进行即可。

下载资源准备

anaconda
PyCharm-Community社区版即可，有钱可买正版专业版
CUDA需要根据pytorch想安装的版本配套下载
CUNN需注册英伟达账号，版本号需于CUDA配套

其中cuda、pytorch、cunn相关的地址，均建议科学上网来访问，否则可能会访问较慢或无法访问。
具体下载的时候，均可以通过迅雷进行下载，镜像加速效果很给力

版本选择指引

首先打开pytorch查看最新的CUDA版本，可看到最新版本为11.6，记住该版本号

英伟达官网下载对应CUDA驱动

英伟达官网下载对应的CUNN（需注册账号）

下载好四个内容后可以准备下一步操作

Anaconda3安装&配置

安装说明

打开安装包
同意协议
正常下一步
可自定义安装目录
选择默认添加上环境变量
等待安装完成后下一步
取消勾选打开相关内容，结束安装
在命令台查看是否安装成功

基础配置

设置镜像

输入命令
conda config --set show_channel_urls yes
会自动在用户文件夹下创建一个
.condarc文件
覆盖替换为下面的内容，内容为参考清华源配置
同时增加https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch
以及 https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ 两个仓库声明

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

创建虚拟环境

命令输入
conda create -n yolov7 python=3.9 --yes
创建一个虚拟用户为yolov7的python3.9的环境

安装完毕后命令输入
conda activate yolov7
激活选择环境为yolov7

可以看到，我们已正常安装上虚拟环境并且激活选择环境成功

CUDA&CUNN安装

CUDA安装

选择CUDA安装临时缓存目录(可默认文件夹，安装完毕后会删除)
同意协议
选择自定义安装并全选所有可安装项
自定义选择安装的路径
确认安装
等待安装完毕后下一步
可查看到程序均已安装完毕

CUNN安装

按照CUDA安装目录，把相关对应的文件内容解压即可

配置环境变量

变量名	变量值
CUDA_SDK_PATH	C:\software\cuda（上述部署选择自定义的cuda路径）
CUDA_LIB_PATH	%CUDA_PATH%\lib\x64
CUDA_BIN_PATH	%CUDA_PATH%\bin
CUDA_SDK_BIN_PATH	%CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH	%CUDA_SDK_PATH%\common\lib\x64
PATH	%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;【追加的内容】

测试是否安装正常

命令行输入
nvcc -V
可查看到正常安装完毕

安装pycharm-community

打开安装包并下一步
选择自定义的安装路径
选择添加环境变量并且关联.py文件
继续下一步开始安装
安装完毕后，重启系统
C:\software\PyCharm\bin\pycharm64.exe发送快捷方式到桌面进行方式使用操作即可

下载yolov7相关资源

yolov7-gayhub源码【科学上网下载】，可自行按需下载最新版本gayhub地址
yolov7.pt【科学上网下载】
coco2017labels-segments【科学上网下载】
train2017【可迅雷加速下载】
val2017【可迅雷加速下载】
test2017 【可训练加速下载，暂时用不上】

安装相关资源

解压yolov7源码到工作目录C:\workspace\ai\yolov7
复制yolov7.pt模型文件到解压的源码根目录C:\workspace\ai\yolov7
解压train2017训练图片到C:\workspace\ai\yolov7\coco\images\
解压val2017数值图片到C:\workspace\ai\yolov7\coco\images\

做好相关的基本准备后，则可以开始正式开始做相关项目的依赖安装运行等处理

配置项目内容

打开PyCharm，打开项目，选择刚刚解压的yolov7源码目录
点击File-》Settings进行配置
选择Python Interpreter并添加设置
选择新增一个Python Interpreter
选择Conda环境变量并且选择上文新增的虚拟环境yolov7专用的python3.9
选择后点击确认
在控制台中输入python，可看到能正常执行命令
打开源码中requirements文件，注释掉opencv-python/torch/torchvision/thop四个依赖，后续通过torch的命令进行安装。
若直接通过pip install -r requirements.txt --extra-index-url https://pypi.douban.com/simple/的方式安装，会安装到cpu的torch版本，则无法使用gpu进行识别、训练。笔者在这上面受到了极大的打击
命令输入 conda install --yes --file .\requirements.txt 安装其他基本依赖
命令输入 conda install pytorch torchvision torchaudio cudatoolkit=11.6 安装pytorch专用的依赖【这部分会走清华源镜像进行快速下载安装】

命令输入 python 进入python终端
命令输入 import torch 引入依赖包
命令输入 torch.cuda.is_available() 查看是否可用cuda
从结果中可以看到，我们的基础依赖已经安装完毕，可以开始进行训练测试等内容，通过 ctrl+z 退出python命令台

运行探测类

命令输入 python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source inference/images/horses.jpg
程序执行探测类

可以看到能够正确识别出来测试探测图的马匹内容，正常框柱已经标记近似度

运行测试类

命令输入 python test.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.65 --device 0 --weights yolov7.pt --name yolov7_640_val
程序会执行测试类
能够正常执行测试类并输出结果

总结

虽然有ancoda这种相对较为方便的环境&依赖管理工具，但是对于pytorch等这些安装来讲，依旧存在不少令人困惑的问题，很容易在pip等安装过程中，就只安装了cpu等版本，从而引发一系列的连锁反应，没法使用GPU来加成。至此，我们已经搭建好基本的训练探测环境了，所以，你有什么好idea要实现呢？一起动起来啊！！