YOLOv7 on Windows (二) 訓練自己的資料集

準備資料集

將標註好的資料集放在一個資料夾內並取名為 all，資料集需為 YOLO 的格式，YOLO 格式為一張圖片搭配一個 txt 檔，如果是用 labelImg 標註應該還會有一個 classes.txt 的檔案，裡面放的就是你標註的 class 名稱，我準備了 60 張圖片，只有一個 class，整個看起來會像這樣

folder
class

在 yolov7 的資料夾內建立一個資料夾取名為 mydataset，並將資料集放到裡面，
由於將資料分割的步驟比較繁雜，我寫了一隻程式來分割，下載這隻程式並放到 mydataset 的資料夾內
做完這一步看起來會像這樣

folder

需要注意的是資料夾的名稱必須為 all，並且裡面要有 classes.txt，若沒有請自行新增，並打上自己標註的 class 名稱
之後直接執行並帶入要作為 validation set 的圖片數量，程式會隨機取出

以我來說我想要 10 張圖片作為 validation set

python splitFile.py 10

執行完後會像這樣

folder

到這裡就完成資料集的準備了 (我這邊沒有準備 test set，如果想要的話按照格式新增即可)

建立配置檔

我們已經將資料準備好了，接下來要建立一些配置檔讓 YOLO 知道我們的資料在哪裡

先到 .\cfg\training\，複製 yolov7.yaml 並改名為 yolov7_custom.yaml (這裡複製 yolov7.yaml 是因為準備用 yolov7.pt 作為預訓練的模型，如果選擇其他模型就複製那個 yaml)
開啟 yolov7_custom.yaml 並將第二行的 80 改為你資料集的 class 數量，以我的來說是 1

yolov7_custom.yaml

接著到 .\data\ 新增一個文字檔並改名為 mydata.yaml，並貼上下面的內容

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ./mydataset/train.txt
val: ./mydataset/val.txt
test:

# number of classes
nc: 1

# class names
names: [ 'ball' ]

如果你前面和我的命名都相同，只要修改 nc 及 names 即可，nc 一樣為你資料集的 class 數量，names 為你 class 對應的名稱 (若有多個 class 需注意順序)，否則 train 跟 val 的路徑請修改成你的路徑，若有準備 test set 也記得輸入路徑

到這裡所有的準備就都完成了，可以開始訓練模型了!

訓練模型

回到 yolov7 的路徑下

python train.py --workers 8 --device 0 --batch-size 8 --data .\data\mydata.yaml --img 640 640 --cfg .\cfg\training\yolov7_custom.yaml --hyp .\data\hyp.scratch.p5.yaml --weights .\yolov7.pt

batch-size: 根據顯卡的內存來設置，一般為 8 的倍數，數值越大佔用內存越多
img: 兩個數字，依序代表訓練時壓縮圖片的 size 和預測時壓縮圖片的 size，簡單來說它會將你的圖片壓成該 size 並做訓練/預測
data: 指定剛剛配置的檔案
cfg: 指定剛剛配置的檔案
weights: 指定預訓練的模型 (也可換成其他官方提供的模型)

根據自己的需求修改參數，若有修改其他參數的需求可執行 python train.py help 查看

help