从零跑通 YOLOv7实时目标检测安装与配置指南含验证命令【免费下载链接】yolov7Implementation of paper - YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors项目地址: https://gitcode.com/GitHub_Trending/yo/yolov7YOLOv7 是论文《YOLOv7: Trainable bag-of-freebies》的官方实现一个在 COCO 上做到 51.4% mAP 与 161 FPS 的实时目标检测器。跟着本指南操作你会得到一个能直接出图的检测环境最后用一张图验证结果。先跑通再说别管环境多完美先让它转起来。下面 4 条命令走完5 分钟内你能看到第一张带框结果。有 NVIDIA 显卡的话体验最好纯 CPU 也能跑只是慢。# 拉取代码把 PATH 换成你实际的存放目录 git clone https://gitcode.com/GitHub_Trending/yo/yolov7.git cd yolov7# 安装依赖torch1.7.0 且 !1.12.0numpy 需 1.24.0 pip install -r requirements.txt# 从本项目发布页下载预训练权重 yolov7.pt放到仓库根目录# 用内置示例图推理--img-size 640 为推理分辨率--source 可换成你自己的图片 python detect.py --weights yolov7.pt --img-size 640 --conf 0.25 --source inference/images/horses.jpg跑完去runs/detect/里找输出图马的周围应该框得整整齐齐。看到图就说明环境通了。项目速览YOLOv7 要解决的问题很直接实时检测里速度和精度总是打架它靠可训练免费赠品trainable bag-of-freebies策略把训练阶段能白嫖的结构优化全部榨干让同一套权重既快又准超过 YOLOR、YOLOX、Scaled-YOLOv4 等同期模型。依赖版本用途Python≥ 3.7运行环境PyTorch / torchvision≥ 1.7.0排除 1.12.0 / 0.13.0模型构建、训练、推理OpenCV≥ 4.1.1图像读写与后处理COCO 数据集2017 版训练与验证数据ONNX / TensorRT按需模型导出与部署开工前先体检装之前花一分钟自检能避开后面 90% 的坑。每项都给了检查命令和预期输出。检查项命令预期输出Python 版本python -VPython 3.7或更高PyTorch CUDApython -c import torch;print(torch.__version__, torch.cuda.is_available())版本号 True无 GPU 则为False可先跑 CPU显卡与驱动nvidia-smi显示 GPU 型号右上角标出 CUDA VersionCOCO 数据集ls coco/images有train2017、val2017子目录跑 test.py 才需要安装实操匹配 CUDA 版本装好 PyTorch先跑nvidia-smi看右上角的最高 CUDA 版本11.x 居多到 PyTorch 官网选对应轮子装pip3 install torch1.12.1cu116 torchvision0.13.1cu116 -f https://download.pytorch.org/whl/torch_stable.html⚠️ 装完必须验证python -c import torch;print(torch.cuda.is_available())输出True才算成。False 通常是 PyTorch 与驱动 CUDA 不匹配重装对应版本即可。克隆代码并装齐依赖git clone https://gitcode.com/GitHub_Trending/yo/yolov7.git cd yolov7 pip install -r requirements.txt pip install seaborn thoprequirements.txt覆盖核心依赖seaborn和thop单独补一下画曲线和算 FLOPs 用。装完终端滚过一堆Successfully installed就对了。一键拉取 COCO 数据集只跑detect.py演示可跳过这步要跑test.py验证指标才需要。bash scripts/get_coco.sh脚本并行下载 train2017约 19G、val2017约 1G、test2017约 7G解压到coco/images。磁盘先留 30G耐心等它下完。⚠️ 走 Docker 的话-v your_coco_path:/coco/挂载路径必须换成你真实的 COCO 目录否则容器内找不到数据。docker run --name yolov7 -it -v your_coco_path:/coco/ -v $PWD:/yolov7 --shm-size64g nvcr.io/nvidia/pytorch:21.08-py3跑一次推理完成自检python detect.py --weights yolov7.pt --img-size 640 --source inference/images/horses.jpg输出落在runs/detect/看到标注框 环境 OK。确认装成功了# 在 COCO val 集上验证--img 640 为评测分辨率--device 0 指定第一块 GPU python test.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.65 --device 0 --weights yolov7.pt --name yolov7_640_val看到coco_eval_results日志mAP 数值与官方指标51.4%量级一致即通过。没跑过 test 也没关系detect.py出图同样算装成功。翻车自救 FAQ问torch.cuda.is_available() 返回 FalsePyTorch 与驱动 CUDA 版本不匹配。用nvidia-smi确认驱动支持的最高 CUDA按对应版本重装 PyTorch见上一步命令再重跑验证。问import cv2 报 libGL.so.1 找不到无桌面环境的机器缺图形库。执行apt install -y libgl1-mesa-glx后重试 import。问推理或训练时 CUDA out of memory显存吃紧。推理把--img-size 640降到416训练调小--batch-size或开启梯度累积。问test.py 报 ModuleNotFoundError: pycocotools评估依赖没装。执行pip install pycocotools再跑。问找不到 yolov7.pt权重要从项目发布页下载放到仓库根目录报损坏就删了重下。接下来环境通了之后看 train.py 在自定义数据集上微调辅助训练入口是 train_aux.py再用 export.py 把模型导成 ONNX / TensorRT 上生产。网络结构配置都放在 cfg/部署参考 deploy/triton-inference-server/ 里的现成示例。装好只是开始README 和各脚本头部的参数注释值得细读遇到报错先翻上面的 FAQ版本问题基本占九成。【免费下载链接】yolov7Implementation of paper - YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors项目地址: https://gitcode.com/GitHub_Trending/yo/yolov7创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考