YOLOv7是由WongKinYiu和AlexeyAB这两位YOLO系列的官方维护者所创造的。他们也是YOLO架构的原始发明者和维护者pjreddie所认可的。可以阅读YOLOv7的论文，或者快速浏览对YOLOv7新特性的5分钟解析。
该模型本身非常出色。它使用PyTorch构建，在MS COCO数据集上达到了实时目标检测模型的最新水平（定义为在V100 GPU上运行速度为5 FPS或更快）。不同大小的模型运行速度在每秒36到161帧之间（批量大小为一），考虑到其高准确率，这是非常令人印象深刻的。
2023年1月，Ultralytics发布了YOLOv8，定义了目标检测的新最高水平。可以在Roboflow Models目录和“如何在自定义数据集上训练YOLOv8目标检测”教程中了解更多关于YOLOv8的信息。
但是，在COCO上的表现并不是在生产中唯一有用的；它的80个类别对于解决现实世界问题的帮助有限。在这个教程中，将从Roboflow Universe上可用的90,000个开源数据集中选取一个，用Google Colab在几分钟内训练YOLOv7模型。
在自定义数据上训练YOLOv7目标检测模型的步骤包括：安装YOLOv7依赖项、从Roboflow加载YOLOv7格式的自定义数据集、运行YOLOv7训练、评估YOLOv7性能、在测试图像上运行YOLOv7推理（可选）部署和主动学习。在YOLOv7 Colab笔记本中详细说明了每一步。
从YOLOv7 Colab笔记本开始，选择“文件>另存为副本到驱动器”，将笔记本复制到自己的Google Drive中，以便可以保存更改。
准备数据集以训练Yolov7：如果已经有自己的图像，请按照Roboflow快速入门指南将它们注释（或转换）为YOLOv7格式。Roboflow是收集图像、注释、创建数据集和训练计算机视觉模型的最简单方式。对于在公共项目中使用多达10,000张图像的学生/爱好者来说是免费的（还有针对私人商业项目的付费层）。
如果还没有图像，请前往Roboflow Universe并搜索一个喜欢的项目。发现了一个游泳者数据集，决定用它进行测试。
要下载数据集，请转到“数据集”选项卡，点击“下载”，然后选择YOLOv7PyTorch格式并显示下载代码。这将给一个Python代码片段，可以将其复制/粘贴到Colab笔记本中。
在将数据集下载代码片段粘贴到YOLOv7 Colab笔记本后，就可以开始训练过程了。如果需要，可以使用以下选项自定义模型设置：
--weights, 初始权重路径（默认值：'yolo7.pt'）
--cfg, model.yaml路径（默认值：''）
--data, data.yaml路径（默认值：'data/coco.yaml'）
--hyp, 超参数路径（默认值：'data/hyp.scratch.p5.yaml'）
--epochs, 训练数据循环次数（默认值：300）
--batch-size, 所有GPU的总批量大小（默认值：16）
--img-size, 图像大小（默认值：[640, 640]）
--rect, 是否使用非方形训练选项
--resume, 恢复最近的培训（默认值：False）
--nosave, 仅保存最终检查点
--notest, 仅测试最后一个周期
--noautoanchor, 禁用自动锚点检查
--evolve, 进化超参数
--bucket, gsutil桶（默认值：''）
--cache-images, 缓存图像以加快训练速度
--image-weights, 使用加权图像选择进行训练
--device, cuda设备，例如0或0,1,2,3或cpu（默认值：''）
--multi-scale, 变化img-size +/- 50%%
--single-cls, 将多类数据作为单类训练
--adam, 使用torch.optim.Adam()优化器
--sync-bn, 使用SyncBatchNorm，仅在DDP模式下可用
--local_rank, DDP参数，不要修改（默认值：-1）
--workers, 最大数据加载器工作线程数（默认值：8）
--project, 保存到项目/名称（默认值：'runs/train'）
--entity, W&B实体（默认值：None）
--name, 保存到项目/名称（默认值：'exp'）
--exist-ok, 现有的项目/名称可以，不要增加
--quad, 四数据加载器
--linear-lr, 线性LR
--label-smoothing, 标签平滑epsilon（默认值：0.0）
--upload_dataset, 将数据集上传为W&B工件表
--bbox_interval, 设置W&B的边界框图像日志记录间隔（默认值：-1）
--save_period, 每“save_period”周期后记录模型（默认值：-1）
--artifact_alias, 使用的数据集工件的版本（默认值：“latest”）
一旦在train.py单元中编辑了设置，就可以运行单元了。模型将开始训练，并运行几分钟或几小时（取决于数据集大小，选择的训练选项，以及在Colab彩票中分配到的GPU）。最后，将看到模型结果。
然后可以在测试集上运行detect.py，以可视化模型在它以前从未见过的图像上的表现。
作为额外的奖励，可以使用像yt-dlc这样的程序从YouTube上抓取视频，将其放入Colab中，并看看模型在更广泛的示例中的表现如何。
现在，是时候部署模型的第一个版本并开始进行预测了。然后识别它失败的边缘案例，并采样现实世界中的图像，为下一个版本的数据集进行标记，以改进模型。
或者，尝试使用Roboflow的无缝部署选项，将模型部署到无限可扩展的API或像NVIDIA Jetson或移动应用这样的边缘设备上。