--- title: YOLOv7-PyTorch-模型库-ModelZoo-昇腾社区 description: YOLO算法作为one-stage目标检测算法最典型的代表，其基于深度神经网络进行对象的识别和定位，运行速度很快，可以用于实时系统。YOLOV7是目前YOLO系列最先进的算法，在准确率和速度上超越了以往的YOLO系列。 keywords: YOLOv,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境 url: https://www.hiascend.com/software/modelzoo/models/detail/563509d4028c4514a9b7160182c9ac5f section: (其他) --- # YOLOv7-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/563509d4028c4514a9b7160182c9ac5f 描述: YOLO算法作为one-stage目标检测算法最典型的代表，其基于深度神经网络进行对象的识别和定位，运行速度很快，可以用于实时系统。YOLOV7是目前YOLO系列最先进的算法，在准确率和速度上超越了以往的YOLO系列。 关键词: YOLOv,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境 ModelZoo主页 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html) 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html) 模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models) YOLOv7-PyTorch ## YOLOv7-PyTorch 视觉检测与跟踪PyTorch训练3357次浏览2025/12/29更新 获取源码 YOLOv7-PyTorch 查看模型源码 模型使用 版本信息 模型使用 版本信息 ... # 概述 ## 简述 YOLO算法作为one-stage目标检测算法最典型的代表，其基于深度神经网络进行对象的识别和定位，运行速度很快，可以用于实时系统。YOLOV7是目前YOLO系列最先进的算法，在准确率和速度上超越了以往的YOLO系列。 - 参考实现： ``` url=https://github.com/WongKinYiu/yolov7.git commit_id=072f76c72c641c7a1ee482e39f604f6f8ef7ee92 ``` - 适配昇腾 AI 处理器的实现： ``` url=https://gitee.com/ascend/modelzoo-GPL code_path=built-in/PyTorch/Official/cv/object_detection ``` - 通过Git获取代码方法如下： ``` git clone {url} # 克隆仓库的代码 cd {code_path} # 切换到模型代码所在路径，若仓库下只有该模型，则无需切换 ``` - 通过单击“立即下载”，下载源码包。 # 准备训练环境 ## 准备环境 - 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。 表 1版本支持表 | Torch_Version | 三方库依赖版本 | | --- | ---| | PyTorch 1.5 | pillow==8.4.0 | | PyTorch 1.8 | pillow==9.1.0 | - 环境准备指导。 请参考《Pytorch框架训练环境准备 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/ptes)》，需要安装二进制算子包。 说明：在X86_64架构下，官方torch包使用的是MKI加速库。如果需要使用blas和lapack加速库来提升性能，请使用源码编译安装方式安装官方torch包。 - 安装依赖。 在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。 ``` pip install -r 1.5_requirements.txt # PyTorch1.5版本 pip install -r 1.8_requirements.txt # PyTorch1.8版本 ``` 说明：只需执行一条对应的PyTorch版本依赖安装命令。 ## 准备数据集 1. 获取数据集。 用户自行获取coco数据集，包含images图片和annotations文件。其中images图片和annotations文件从coco官网 [了解详情](https://cocodataset.org/#download)获取，另外还需要labels图片，用户可以从google drive [了解详情](https://drive.google.com/uc?export=download&id=1cXZR_ckHki6nddOmcysCuuJFM--T-Q6L)中获取。将获取后的数据集解压放置服务器的任意目录下(建议放到源码包根目录XXX/coco/下)。 数据集目录结构如下所示： ``` coco |-- annotations |-- images |-- train2017 |-- val2017 |-- labels |-- train2017 |-- val2017 ``` > **说明：** > 该数据集的训练过程脚本只作为一种参考示例。 2. 在源码包根目录下配置数据集路径。 - 编译安装torchvision ***为了更快的推理性能，请编译安装而非直接安装torchvision*** ``` git clone -b v0.9.1 https://github.com/pytorch/vision.git #根据torch版本选择不同分支 cd vision python setup.py bdist_wheel pip3 install dist/*.whl ``` 3. 编译安装Opencv-python。 为了获得最好的图像处理性能，**请编译安装opencv-python而非直接安装**。编译安装步骤如下： ``` export GIT_SSL_NO_VERIFY=true git clonehttps://github.com/opencv/opencv.git [了解详情](https://github.com/opencv/opencv.git)cd opencv mkdir -p build cd build cmake -D BUILD_opencv_python3=yes -D BUILD_opencv_python2=no -D PYTHON3_EXECUTABLE=/usr/local/python3.7.5/bin/python3.7m -D PYTHON3_INCLUDE_DIR=/usr/local/python3.7.5/include/python3.7m -D PYTHON3_LIBRARY=/usr/local/python3.7.5/lib/libpython3.7m.so -D PYTHON3_NUMPY_INCLUDE_DIRS=/usr/local/python3.7.5/lib/python3.7/site-packages/numpy/core/include -D PYTHON3_PACKAGES_PATH=/usr/local/python3.7.5/lib/python3.7/site-packages -D PYTHON3_DEFAULT_EXECUTABLE=/usr/local/python3.7.5/bin/python3.7m .. make -j$nproc make install ``` # 开始训练 ## 训练模型 1. 进入解压后的源码包根目录。 ``` cd /${模型文件夹名称} ``` 2. 运行训练脚本。 该模型支持单机单卡训练和单机8卡训练。 - 单机单卡训练 启动单卡训练。 ``` bash ./test/train_full_1p.sh --data_path=real_data_path # 1p精度 bash ./test/train_performance_1p.sh --data_path=real_data_path # 1p性能 ``` - 单机8卡训练 启动8卡训练。 ``` bash ./test/train_full_8p.sh --data_path=real_data_path # 8p精度 bash ./test/train_performance_8p.sh --data_path=real_data_path # 8p性能 ``` - NPU 多机多卡训练指令 启动多机多卡训练。 ``` bash test/train_yolov7_cluster.sh --data_path=数据集路径 --nnodes=机器数量 --node_rank=机器序号(0,1,2...) --master_addr=主机服务器地址 --master_port=主机服务器端口号 ``` ps:脚本默认为8卡，若使用自定义卡数，继续在上面命令后添加 --device_number=每台机器使用卡数 --head_rank=起始卡号，例如分别为4、0时，代表使用0-3卡训练。 --data_path参数填写数据集路径，需写到数据集的一级目录。 模型训练脚本参数说明如下。 ``` 公共参数： --data_path //数据集路径 --workers //dataloader读数据线程数 --batch-size //训练批次大小，默认32 --data //训练所需的yaml文件，默认：coco.yaml--cfg //训练过程中涉及的参数配置文件 --img //训练图像大小，默认640 640 --batch-size //训练批次大小，默认：32 --epochs //重复训练次数，默认：300 ``` 训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。 # 训练结果展示 **表 2** 训练结果展示表 | NAME | mAP | FPS | AMP_Type | | ------- | ----- | ---: | -------: | | 1p-竞品A | - | 53.76 | O1 | | 1p-NPU-ARM | - | 55.36 | O1 | | 1p-NPU-非ARM | - | 44.176 | O1 | | 8p-竞品A | 0.509 | 396.8 | O1 | | 8p-NPU-ARM | 0.509 | 435 | O1 | | 8p-NPU-非ARM | - | 281.344 | O1 | > **说明：** > 表2中非ARM的性能值是直接使用官方torch包测试的结果。 # 版本说明 # 公网地址说明 代码涉及公网地址参考 public_address_statement.md ## 变更 2022.11.29：首次发布。 ## 已知问题 无。 ``` | 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 | | --- | --- | --- | --- | --- | ---| | 5.0.RC3 | 2023/11/02 | Mixed | Ascend 910 | 7.0.RC1 | modelzoo | 使用模型资源和服务前，请您仔细阅读并理解透彻《昇腾深度学习模型许可协议 3.0》 [了解详情](https://www.hiascend.com/legal/modelzoo_models_license)