yolov7主干部分结构图：yolov7主干

yolov7数据集处理代码：yolov7数据集处理代码

yolov7训练参数解释：yolov7训练参数【与本文代码有区别】

yolov7训练代码详解：yolov7训练代码详解

目录

训练自己的训练集

生成推理阶段的模型

生成剪枝后的推理模型

torch转onnx

剪枝

剪枝后的微调训练

预测图像或视频

---

训练自己的训练集

此处的数据集是采用VOC的格式。

数据集存放格式：

─dataset
│  ├─Annotations  # 存放xml标签文件
│  ├─images # 存放图片
│  ├─ImageSets # 存放图片名称的txt文件
│  └─labels # 存放标签txt文件

先运行项目代码makeTXT：

python makeTXT.py

此时会在ImageSets下生成4个txt文件(这四个txt中仅包含每个图像的名称)

ImageSets/
|-- test.txt
|-- train.txt
|-- trainval.txt
`-- val.txt

打开voc_label.py.修改classes为自己的类。

然后运行该代码。

python voc_label.py

 将会在dataset文件下生成test.txt、train.txt、val.txt【这些txt仅包含图像路径】。然后在dataset/labels下会生成每个图像的txt【这些txt格式内容表示为类别索引+(center_x,center_y,w,h)】

接下来是配置文件的修改。

打开cfg/training/yolov7.yaml。将nc修改为自己的类别数量。

接下来在data/文件下新建一个yaml文件【我这里写的是mydata.yaml】，内容如下，需要修改两个地方：

train: ./dataset/train.txt
val: ./dataset/val.txt
test: ./dataset/test.txt

# number of classes
nc: 1 # 修改处1  修改为自己的类

# class names
names: [ 'target' ]  # 修改处2 类的名称

 有关训练中的超参数设置【比如初始学习率，动量，权重衰减等，可自行在data/hyp.scratch.p5.yaml中修改】。

训练：

python train.py --weights yolov7.pt --batch-size 2 --device 0

 正常的训练将会看到以下信息。

2023-03-11 11:50:48.658 | INFO     | __main__:train:316 - 
     Epoch   gpu_mem       box       obj       cls     total    labels  img_size
     0/299     2.58G   0.04649    0.4474         0    0.4939         5       640: 100%|██████████████████████████████████████████████████████████████| 359/359 [02:39<00:00,  2.25it/s] 
               Class      Images      Labels           P           R      mAP@.5  mAP@.5:.95: 100%|████████████████████████████████████████████████████| 20/20 [00:07<00:00,  2.78it/s]
                 all          80         147         0.2       0.204       0.102      0.0191

生成推理阶段的模型

由于yolov7中训练与推理并不是一个模型，是将训练后的模型进行重参数生成新模型。

因此需要运行tools/Reparameterization.py文件。【运行前注意修改文件中的权重路径以及类的数量】

python tools/Reparameterization.py --ckpt yolov7.pt --num_classes 80 

生成剪枝后的推理模型

python tools/Reparameterization.py --ckpt runs/train/exp2/weights/best.pt --num_classes 1 --pruned 

不过发现重参数化后的剪枝模型，鲁棒性不如未参数化

将会在cfg/deploy下生成yolov7.pt

torch转onnx

修改tools/pytorch2onnx.py中的权重路径

运行该代码即可得到onnx模型

剪枝

进入tools文件，修改prunmodel.py文件中需要剪枝的权重路径。重点修改58~62行。这里是以修改model的前10层为例。

    included_layers = []
    for layer in model.model[:10]:  # 获取backbone
        if type(layer) is Conv:
            included_layers.append(layer.conv)
            included_layers.append(layer.bn)

下面代码是剪枝conv和BN层。【重点是tp.prune_conv】，自己修改amout

        if isinstance(m, nn.Conv2d) and m in included_layers:
            # amount是剪枝率
            # 卷积剪枝
            pruning_plan = DG.get_pruning_plan(m, tp.prune_conv, idxs=strategy(m.weight, amount=0.8))
            logger.info(pruning_plan)
            # 执行剪枝
            pruning_plan.exec()
        if isinstance(m, nn.BatchNorm2d) and m in included_layers:
            # BN层剪枝
            pruning_plan = DG.get_pruning_plan(m, tp.prune_batchnorm, idxs=strategy(m.weight, amount=0.8))
            logger.info(pruning_plan)
            pruning_plan.exec()

出现以下内容说明剪枝成功
【感觉不如yolov5剪的参数多，v7的剪枝感觉效果一般，请自行尝试】
2023-03-15 14:57:40.825 | INFO     | __main__:layer_pruning:84 -   Params: 37196556 => 36839795
​
2023-03-15 14:57:41.176 | INFO     | __main__:layer_pruning:95 - 剪枝完成

剪枝的模型会保存在model_data下

剪枝后的微调训练

与之前的训练一样。只不过需要传入weights，和pruned

python train.py --weights model_data/layer_pruning.pt --pruned

预测图像或视频

支持剪枝后的预测

python detect.py --weights cfg/deploy/yolov7.pt --source dataset/images/

代码：GitHub - YINYIPENG-EN/yolov7_torch: yolov7 pytorch

后续将更新tensorrt，请持续关注

如果剪枝遇到什么问题可以留言，有关精确度的问题还请自己尝试，因为每个人剪枝的地方不同，数据集不同，会有很多区别