目标检测技术在多个领域有着广泛的应用，从简单的物品识别到复杂的自动驾驶汽车场景理解。本文将探讨最新的目标检测算法YOLOv7，并介绍如何在自定义数据集上应用该算法。
YOLO（You Only Look Once）是当前流行的目标检测模型框架，它首次将边界框预测和目标分类集成到一个端到端的可微分网络中。YOLOv7是YOLO家族中的最新成员，它在Darknet框架下创建并维护。YOLOv4已经被社区适配到TensorFlow，而YOLOv5则是首个基于PyTorch框架的YOLO模型，它更轻量且易于使用。尽管YOLOv7在标准基准测试COCO数据集上并没有超越YOLOv6，但它在处理小尺寸物体和物体尺寸不均时的性能有所提升。
以下是使用YOLOv7在自定义数据集上进行目标检测的详细步骤：
步骤1：准备数据集 要启动目标检测器，首先需要收集训练照片。应根据目标任务提前规划，尽可能减少模型需要处理的领域范围，以提高最终模型的准确性。如果没有数据，可以使用Open Images数据库，或者从Roboflow平台下载数据，该平台提供了多种数据集以供训练使用。
步骤2：标注数据集 使用LabelImg或其他标注工具对数据集进行标注。为每张图片创建一个同名的标注文本文件。YOLOv7接受的标签数据格式为文本文件，具体格式如下：
步骤3：分割数据集 标注完成后，将数据分为训练集和测试集。分割比例由用户决定，常见的比例为80%用于训练，20%用于测试。可以使用Python库Split Folder来随机分割数据。
pip install split-folders
输入文件夹应按照以下格式组织：
├── yolov7
## └── train
####└── images （包含所有训练图片的文件夹）
####└── labels （包含所有训练标签的文件夹）
## └── test
####└── images （包含所有测试图片的文件夹）
####└── labels （包含所有测试标签的文件夹）
## └── valid
####└── images （包含所有验证图片的文件夹）
####└── labels （包含所有验证标签的文件夹）
步骤4：创建自定义训练配置文件 现在需要创建一个自定义的配置文件，训练过程将完全依赖于该文件。在yolov7/data文件夹中创建一个名为custom.yaml的文件，并粘贴以下代码。设置数据集文件夹的正确路径，修改类别数量和类别名称，然后保存。
Image_path
Number_of_classes
Classes_names_array
train: （数据集训练文件夹的完整路径）
test: （数据集测试文件夹的完整路径）
valid: （数据集验证文件夹的完整路径）
#Classes
nc: 1 # 替换类别数量
#classes names
#替换所有自定义类别名称列表
names: ['person', 'bicycle', 'car', 'motorcycle', 'airplane', ...]
完成所有预处理步骤后，可以开始训练。在yolov7的主目录下打开终端，激活虚拟环境，并执行以下命令：
git clone https://github.com/WongKinYiu/yolov7.git # 克隆
cd yolov7
pip install -r requirements.txt # 安装模块
wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7.pt # 下载预训练权重
步骤5：训练模型
python train.py --weights yolov7.pt --data "data/custom.yaml" --workers 4 --batch-size 4 --img 416 --cfg cfg/training/yolov7.yaml --name yolov7 --hyp data/hyp.scratch.p5.yaml
参数说明：
- img = 模型训练时的图片大小，默认值为640。
- batch-size = 自定义数据集训练时使用的批次大小。
- epochs = 训练周期数，以获得最佳模型。
- data = 自定义配置文件路径。
- weights = 预训练的yolov7权重文件(yolov7.pt)。
步骤6：使用自定义权重进行推理 训练完成后，在终端执行以下命令，使用自定义权重进行检测。
python detect.py --weights runs/train/yolov7/weights/best.pt --source "测试图片的路径"
结论 YOLOv7在速度和准确性方面都有显著提升，它与基于RPN的模型相匹配甚至超越。该模型快速可靠，适用于各种场景。YOLOv7训练迅速，结论准确，性能出色。