YOLOV7 目标检测模型调试记录

前言

YOLO系列在目标检测领域可谓名声赫赫，其性能表现不俗，如今其已经更新到了YOLOV7版本，今天便来一睹其风采。
博主之前只是对YOLO算法的原理一知半解，并未实验，因此并不熟练，因此，借此机会来进行实验以为日后的论文撰写做好准备。

看一下YOLOV7X的网络结构：

源码与环境

首先是去下载源码：

https://gitcode.net/mirrors/bubbliiiing/yolov7-pytorch?utm_source=csdn_github_accelerator

在readme中，有着相关介绍一级一些步骤，下载完成后我们打开项目，博主使用的是pycharm,在requirement.txt中给出了所需环境。

scipy==1.2.1
numpy==1.17.0
matplotlib==3.1.2
opencv_python==4.1.2.30
torch==1.2.0
torchvision==0.4.0
tqdm==4.60.0
Pillow==8.2.0
h5py==2.10.0

当然这个环境也不一定需要完全匹配，能用即可。
打开文件后，我们先train以下试试，出现报错：

FileNotFoundError:[Errno 2] No such fileor directory:'model_data/yolov7_weights.pth'

出现报错，这是yolov7的权重文件缺失，由于权重文件较大，就没有放到项目中去，下载放入指对文件夹model_data即可

链接: https://pan.baidu.com/s/1uYpjWC1uOo3Q-klpUEy9LQ
提取码:pmua

再次运行：

FileNotFoundError:[Errno 2] No such fileor directory:'2007_train.txt'

还是文件丢失问题，没有训练的文件，找到这个读取的文件目录，我们去下载相关文件

项目使用的是VOC数据集，首先我们去下载相关文件
VOC数据集下载地址如下，里面已经包括了训练集、测试集、验证集（与测试集一样），无需再次划分：

链接: https://pan.baidu.com/s/19Mw2u_df_nBzsC2lg20fQA
提取码: j5ge

下载完成后，我们需要将其放到合适的位置：

训练VOC07+12数据集

VOC是 (Visual Object Classes)的简称，它是一套检测和识别标准化的数据集，可以说是该类数据集的开山之作，目前学术界主流是在COCO（另外一个数据集，后面会介绍）数据集上验证模型，已经很少有在VOC数据集上验证了。可以说VOC已经对state-of-the-art的模型不构成挑战了。但是VOC是不是没有必要学习了呢？其实不然。一方面VOC作为第一代的数据集，数据量不大，所以很快可以下载上手；另外训练自己的检测器或者是分类器的时候，制作VOC格式数据集还是比较方便。
且后续的很多数据集，都是在此基础上的扩展。目前应用最广的是VOC 2007和VOC 2012，即在2007推出的VOC和2012年推出的

数据集的准备

本文使用VOC格式进行训练，训练前需要下载好VOC07+12的数据集，解压后放在根目录
文件分别为：标注文件，文件目录设置，图片

数据集的处理

修改voc_annotation.py里面的annotation_mode=2，运行voc_annotation.py生成根目录下的2007_train.txt和2007_val.txt。（这里也就是刚刚我们需要的文件）
运行成功

生成的tran2017.txt文件内容：

开始网络训练

train.py的默认参数用于训练VOC数据集，直接运行train.py即可开始训练。
此时再次运行train.py，报错：

内存不足

OSError:[WinError 1455] 页面文件太小，无法完成操作。 Error loading "D:\Anaconda\envs\python38\lib\site-packages\torch\lib\shm.dll"or one of its dependencies.

这是由于内存不足造成的，修改我们的batch_size即可，或者关闭pycharm，重新运行,发现还是报错，后来看到代码中

#  num_workers     用于设置是否使用多线程读取数据#                   开启后会加快数据读取速度，但是会占用更多内存#                   内存较小的电脑可以设置为2或者0  #------------------------------------------------------------------#
    num_workers         =0

我们将其设置为0,原本为4
再次运行：报错

数据存放位置不统一

RuntimeError: indices should be either on cpu or on the same device as the indexed tensor (cpu)
Epoch 1/30:0%||0/4137[00:30<?, ?it/s<class'dict'>]

这是由数据使用不统一导致的，网上有解释说需要降低pytorch版本，
版本1.13.0-cuda117，更换为torch==1.10.1+cu113
但博主没有选择这种方式，而是选择修改代码：
找到yolo_training.py文件
添加：

device = targets.device

修改代码：

from_which_layer.append((torch.ones(size=(len(b),))* i).to(torch.device(device)))

添加代码：

fg_mask_inboxes = fg_mask_inboxes.to(torch.device(device))

再次运行：终于可以运行了

查看占用

此时我们查看显卡占用情况：cmd -> nvidia-smi
利用率：100%

显存占用并不大：

此时我们可以尝试增大以下batch-size,毕竟太慢了，显存占用明显升高了

当提升到batch-size=16时：报错显存爆了哈哈哈，还是老老实实设置为8吧

torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate 50.00 MiB (GPU 0;4.00 GiB total capacity;3.48 GiB already allocated;0bytes free;3.51 GiB reserved in total by PyTorch) If reserved memory is>> allocated memory try setting max_split_size_mb to avoid fragmentation.  See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF

运行成功后发现速度特别慢，哎毕竟自己的笔记本年迈无力，把迭代次数设置为1次，先跑出个结果再看看吧。最终，历时两个多小时，总算是跑完了。

当我们迭代30次时，到第10次时出现错误：

RuntimeError: Caught MemoryError in DataLoader worker process 1.

关于第一个错误，提到是由于torch的DataLoader，是启用多线程(num_workers!=0)提示哪个线程有问题，因为batch合并时维度不一样，导致第一个线程就挂了（worker process 0），所以会提示RuntimeError: Caught RuntimeError in DataLoader worker process 0.
这时我们只需要将num_workers=2改为num_workers=0即可，但个人认为并不是由于这个导致的，毕竟之前已经迭代了多次了。同时也报了如下错误，博主认为是这个原因导致，即性能不足，呜呜呜

numpy.core._exceptions._ArrayMemoryError: Unable to allocate 1.17 MiB
for an array with shape (640, 640, 3) and data type uint8

最主要的还是电脑内存不足，因为需要处理的数据量太大，GPU性能不够，存在内存溢出现象。

训练结果预测

训练结果预测需要用到两个文件，分别是yolo.py和predict.py。我们首先需要去yolo.py里面修改model_path以及classes_path，这两个参数必须要修改。
model_path指向训练好的权值文件，在logs文件夹里。
classes_path指向检测类别所对应的txt。

"model_path":'logs/last_epoch_weights.pth',"classes_path":'model_data/voc_classes.txt',

注意事项

文件类别和权重一定要对应好，我们训练时的类别为voc类型，而默认的权重及类别为coco类型，否则会报错：

RuntimeError: Error(s)in loading state_dict for YoloBody:
        size mismatch for yolo_head3.1.weight: copying a param with shape torch.Size([75,256,1,1])from checkpoint, the shape in current model is torch.Size([255,256,1,1]).
        size mismatch for yolo_head3.1.bias: copying a param with shape torch.Size([75])from checkpoint, the shape in current model is torch.Size([255]).
        size mismatch for yolo_head2.1.weight: copying a param with shape torch.Size([75,512,1,1])from checkpoint, the shape in current model is torch.Size([255,512,1,1]).
        size mismatch for yolo_head2.1.bias: copying a param with shape torch.Size([75])from checkpoint, the shape in current model is torch.Size([255]).
        size mismatch for yolo_head1.1.weight: copying a param with shape torch.Size([75,1024,1,1])from checkpoint, the shape in current model is torch.Size([255,1024,1,1]).
        size mismatch for yolo_head1.1.bias: copying a param with shape torch.Size([75])from checkpoint, the shape in current model is torch.Size([255]).

当然你也可以之间使用我们之前下载好的权重文件，运行predict.py后输入图片路径即可，这里我们可以改为循环输入多张图片来进行预测。

这是使用原权重文件的结果：

完成修改后就可以运行predict.py进行检测了。
然后我们替换自己训练的权重与类别文件后结果如下：可以看出两者差别还是蛮大的，其中一个重要原因当然是博主训练次数太少以致于没有很好的泛化。

至此我们的训练与预测便调试通过了，接下来我们再看看代码中的其他功能

改进为循环：

path ='D:/python2022/data'
path_1 ='D:/python2022/out'for filename in os.listdir(path):# if filename.endswith('.bmp'):  #代表结尾是bmp格式的
    img_path = path +'/'+ filename
    image = Image.open(img_path)
    r_image = yolo.detect_image(image, count=count, crop = crop)
    out_name = filename.split('.')[0]
    save_name = path_1 +'/'+ out_name +'.png'
    r_image.save(save_name)

原图片：

检测后：

网络模型结构

项目中提供了summary.py来查看模型结构：
运行summary时发现缺包，下载即可：

pip install thop -i https://pypi.tuna.tsinghua.edu.cn/simple

再次运行，输出其模型结构，这里只展示其数据大小，感兴趣的同学可以自行查看

可以看到其模型十分复杂。关于YOLOV7的模型与原理解读，博主会再进行介绍。
至此，我们关于YOLOV7模型的调试就先到这里了，之后我们会考虑在此模型上进行改进提升其性能，并将其与目标追踪算法相结合来完成目标检测跟踪实验。