YOLOV7模型调试记录

先前的YOLOv7模型是pytorch重构的，并非官方提供的源码，而在博主使用自己的数据集进行实验时发现效果并不理想，因此生怕是由于源码重构导致该问题，此外还需进行对比实验，因此便从官网上下载了源码，进行调试运行。

环境配置

由于博主先前曾经运行过pytorch版本的yolov7，因此这次就沿用那个虚拟环境了。
有需要了解相关配置的可以参考博主这篇博客：

写在前面，关于YOLOv7的代码中有个wandb大家可以将其关闭，因为这个实际上没有啥用途反而在运行中会造成下载屏障，配置错误等问题，关闭方法打开下面这个文件：

随后在开头代码：

try:import wandbfrom wandb import init, finish
except ImportError:wandb = None

后加上wandb = None，即为：

测试

将源码下载完成后，先进行简单测试看看环境是否符合，可以先运行detect.py，修改下其中的预训练模型文件：这里建议大家手动下载。

parser.add_argument('--weights', nargs='+', type=str, default='./weights/yolov7.pt', help='model.pt path(s)')

其余的就不用动了，运行成果后会提示你将检测结果放到相应文件夹：

测试结果：

训练调试

这个才是我们的重头戏
其实这个配置并不难，我们使用的是YOLO格式的数据集，该数据集就是先前博主在运行YOLOv8模型时制作的。
具体制作过程参考博主这篇博文：

YOLOv8调试记录

主要便是执行下面这段代码，即将VOC格式数据集转换为YOLO格式

随后创建数据集配置文件

然后修改train.py中的相关配置：分别对应预训练模型参数，模型框架与数据集配置文件，此外还需修改epochs和batch-size等。

此外，如果有条件的话，num_workers也尽量调大些，这是程序所能调用的线程数目，项目的运行速度不但取决于GPU性能，同时与数据集加载速度有关，博主先前忘记调整使用的是默认值0，此时项目运行极慢，一晚上才跑了40epochs，查询GPU使用情况，发现很多适合GPU都处于空载状态，这就造成了极大的浪费。修改num_worker后，项目运行所占用的显存就会增加，这时还要适当的调整batch-size，而batch-size调小后速度会变快，但却不易收敛。
这里博主设置num-workers为6，batch-size=12，此时的CPU利用率就达到了70%左右。而GPU占用显存为8G。

1. 每次dataloader加载数据时：dataloader一次性创建num_worker个worker，（也可以说dataloader一次性创建num_worker个工作进程，worker也是普通的工作进程），并用batch_sampler将指定batch分配给指定worker，worker将它负责的batch加载进RAM。

   然后，dataloader从RAM中找本轮迭代要用的batch，如果找到了，就使用。如果没找到，就要num_worker个worker继续加载batch到内存，直到dataloader在RAM中找到目标batch。一般情况下都是能找到的，因为batch_sampler指定batch时当然优先指定本轮要用的batch。

2. num_worker设置得大，好处是寻batch速度快，因为下一轮迭代的batch很可能在上一轮/上上一轮…迭代时已经加载好了。坏处是内存开销大，也加重了CPU负担（worker加载数据到RAM的进程是CPU复制的嘛）。num_workers的经验设置值是自己电脑/服务器的CPU核心数，如果CPU很强、RAM也很充足，就可以设置得更大些。

3. 如果num_worker设为0，意味着每一轮迭代时，dataloader不再有自主加载数据到RAM这一步骤（因为没有worker了），而是在RAM中找batch，找不到时再加载相应的batch。缺点当然是速度更慢。

随后我们还需修改模型配置文件中检测的类别数

随后我们运行train.py文件就OK了：这里由于博主使用了一小部分数据集所以效果并不理想，稍后会将其上传至服务器上进行实验。

关于batch-size的影响：

batchsize越小，一个batch中的随机性越大，越不易收敛。然而batchsize越小，速度越快，权值更新越频繁；且具有随机性，对于非凸损失函数来讲，更便于寻找全局最优。从这个角度看，收敛更快，更容易达到全局最优。

batchsize越大，越能够表征全体数据的特征，其确定的梯度下降方向越准确，（因此收敛越快），且迭代次数少，总体速度更快。然而大的batchsize相对来讲缺乏随机性，容易使梯度始终向单一方向下降，陷入局部最优；而且当batchsize增大到一定程度，再增大batchsize，一次batch产生的权值更新（即梯度下降方向）基本不变。因此理论上存在一个最合适的batchsize值，使得训练能够收敛最快或者收敛效果最好（全局最优点）。