yolov7训练自己的数据集并部署第一步数据集准备第二步train.py载入自己的数据集并训练第三步将训练好的pt文件做成接口调用第一步数据集准备第二步train.py载入自己的数据集并训练第三步将训练好的pt文件做成接口调用第一步数据集准备第二步train.py载入自己的数据集并训练第三步将训练好的pt文件做成接口调用首先，先说明我只是初步接触yolov7,写这篇文章的主要目的是可以让大家快速应用自己的数据集进行训练。没有接触过yolov5也没有关系，该篇文章会逐步进行演示如何训练。第一步数据集准备首先确保你有labelimg标图软件，若无，需要自行去下一个并看一下标图教程。当你已经标注完成
anchors运行trains.py没有生成anchor原因程序kmeans改动（距离、k-means++）运行trains.py没有生成anchor原因yolov5运行后有一行autoanchor:一些教程的生成图如下训练一开始会先计算BestPossibleRecall(BPR)，当BPR时，再在kmean_anchors函数中进行k均值和遗传算法更新anchors。但是我的数据集BPR=0.9997，所以没有生成新的anchors。默认的预设anchors很匹配我的训练数据，anchors就不会在更改，就使用预设的。改了聚类的欧氏距离为iou，和去掉遗传算法，都没有预设的效果好。yolo
anchors运行trains.py没有生成anchor原因程序kmeans改动（距离、k-means++）运行trains.py没有生成anchor原因yolov5运行后有一行autoanchor:一些教程的生成图如下训练一开始会先计算BestPossibleRecall(BPR)，当BPR时，再在kmean_anchors函数中进行k均值和遗传算法更新anchors。但是我的数据集BPR=0.9997，所以没有生成新的anchors。默认的预设anchors很匹配我的训练数据，anchors就不会在更改，就使用预设的。改了聚类的欧氏距离为iou，和去掉遗传算法，都没有预设的效果好。yolo
本文实现了俩种环境的设置，一种是windows的CPU版本，还有服务器上的GPU版本。CPU版本仅用来实现检测，而GPU版本用来训练自己的数据集！（选择其中一个环境运行后，训练自己的数据集）1.环境1：windows11,anaconda虚拟环境（python3.9），pycharmultralytics/ultralytics:YOLOv8🚀inPyTorch>ONNX>CoreML>TFLite(github.com)下载文件到本地后解压缩pipinstall-rrequirements.txt根据自己的路径位置，下载所需要的包(或者pipinstallultralytics都一样)配置环
本文实现了俩种环境的设置，一种是windows的CPU版本，还有服务器上的GPU版本。CPU版本仅用来实现检测，而GPU版本用来训练自己的数据集！（选择其中一个环境运行后，训练自己的数据集）1.环境1：windows11,anaconda虚拟环境（python3.9），pycharmultralytics/ultralytics:YOLOv8🚀inPyTorch>ONNX>CoreML>TFLite(github.com)下载文件到本地后解压缩pipinstall-rrequirements.txt根据自己的路径位置，下载所需要的包(或者pipinstallultralytics都一样)配置环
模型评价指标检测精度检测速度本文训练了50轮安全帽检测数据集，分析训练结果如下：检测精度检测速度Precision;Recall;F1_score前传耗时IOU交并比FPS每秒帧数P-R曲线flops浮点运算数量AP;mAP检测精度混淆矩阵confusion_matrix用来查看机器是不是把几个不同的类混淆了，比如把一个类当成另一个类。矩阵的x轴横坐标代表真实类别，y轴纵坐标代表预测类别。矩阵中的每个值Aij表示第j类被预测为第i类的概率。理想情况：除background外其余形成对角矩阵。P&R&P-R&F1_curve准确率Precision：（检测的准不准确）检测的效果好不好，检测到的区
模型评价指标检测精度检测速度本文训练了50轮安全帽检测数据集，分析训练结果如下：检测精度检测速度Precision;Recall;F1_score前传耗时IOU交并比FPS每秒帧数P-R曲线flops浮点运算数量AP;mAP检测精度混淆矩阵confusion_matrix用来查看机器是不是把几个不同的类混淆了，比如把一个类当成另一个类。矩阵的x轴横坐标代表真实类别，y轴纵坐标代表预测类别。矩阵中的每个值Aij表示第j类被预测为第i类的概率。理想情况：除background外其余形成对角矩阵。P&R&P-R&F1_curve准确率Precision：（检测的准不准确）检测的效果好不好，检测到的区
Backbone概览及参数#Parametersnc:80#numberofclassesdepth_multiple:0.33#modeldepthmultiplewidth_multiple:0.50#layerchannelmultiple#YOLOv5v6.0backbonebackbone:#[from,number,module,args][[-1,1,Conv,[64,6,2,2]],#0-P1/2[-1,1,Conv,[128,3,2]],#1-P2/4[-1,3,C3,[128]],[-1,1,Conv,[256,3,2]],#3-P3/8[-1,6,C3,[256]],[-
Backbone概览及参数#Parametersnc:80#numberofclassesdepth_multiple:0.33#modeldepthmultiplewidth_multiple:0.50#layerchannelmultiple#YOLOv5v6.0backbonebackbone:#[from,number,module,args][[-1,1,Conv,[64,6,2,2]],#0-P1/2[-1,1,Conv,[128,3,2]],#1-P2/4[-1,3,C3,[128]],[-1,1,Conv,[256,3,2]],#3-P3/8[-1,6,C3,[256]],[-
前言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。解决问题：YOLOv5主干特征提取网络为CNN网络，CNN具有平移不变性和局部性，缺乏全局建模长距离建模的能力，引入自然语言处理领域的框架Transformer来形成CNN+Transformer架构，充分两者的优点，提高目标检测效果，本人经过实验，对小目标以及密集预测任
