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》，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
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官网获取，另外还需要labels图片，用户可以从google drive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 clone 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。