Yolo7 - es ist ein innovativer Computer Vision-Algorithmus, mit dem Sie Objekte in Bildern und Videos mit erstaunlicher Genauigkeit und Geschwindigkeit erkennen können. Wenn Sie neu im maschinellen Lernen sind und lernen möchten, mit dieser leistungsstarken Technologie zu arbeiten, hilft Ihnen diese detaillierte Anleitung, Yolo7 auf Ihrem Computer zu installieren.
Stellen Sie zunächst sicher, dass Ihr Computer die Systemanforderungen für die Installation von Yolo7 erfüllt. Sie benötigen das Betriebssystem Windows 10, 8 oder 7 sowie die installierte Python-Version 3.6 oder höher.
Schritt 1: Installieren Sie CUDA und cuDNN. Yolo7 verwendet eine GPU, um das Lernen und Erkennen von Objekten zu beschleunigen. Daher müssen Sie CUDA und cuDNN vor der Installation von Yolo7 installieren. Laden Sie die neuesten Versionen dieser Tools von den offiziellen Websites der Entwickler herunter und folgen Sie den Installationsanweisungen.
Schritt 2: Installieren Sie Python und die erforderlichen Pakete. Installieren Sie nach der Installation von CUDA und cuDNN Python, falls Sie es noch nicht installiert haben. Besuchen Sie die offizielle Python-Website, laden Sie die neueste Version herunter und folgen Sie den Installationsanweisungen. Installieren Sie nach der Installation von Python die erforderlichen Pakete mit dem pip-Dienstprogramm. Führen Sie eine Eingabeaufforderung aus, und geben Sie die folgenden Befehle ein:
pip install numpy - installiert die Bibliothek, die für die Bildverarbeitung benötigt wird, um mit mehrdimensionalen Arrays zu arbeiten.
pip install opencv-python - installiert das Paket, um mit Bildern und Videos zu arbeiten.
pip install tensorflow-gpu - wird einen Graphen-Jobrechner installieren, der für die Arbeit mit neuronalen Netzen verwendet wird.
pip install keras - wird ein Framework installieren, das zum Erstellen und Trainieren von neuronalen Netzen verwendet wird.
Schritt 3: Yolo7 Dateien herunterladen. Gehen Sie zur offiziellen Website von Yolo7 und laden Sie die neueste Version des Algorithmus herunter. Entpacken Sie das heruntergeladene Archiv an einem für Sie geeigneten Ort auf Ihrem Computer.
Schritt 4: Konfigurieren Sie die Konfigurationsdateien. Suchen Sie im Ordner des heruntergeladenen Algorithmus nach den Yolo-Dateien.cfg und classes.txt. Öffnen Sie die yolo-Datei.cfg in einem Texteditor, und nehmen Sie die folgenden Änderungen vor: ändern Sie den Wert der Variablen batch in einen Wert, der der Leistung Ihrer Grafikkarte entspricht, ändern Sie den Wert der Variablen subdivisions, um ein stabileres Modelltraining zu ermöglichen, und ändern Sie den Wert der Variablen classes in die Anzahl der Klassen, die Sie erkennen möchten.
Schritt 5: Starten Sie das Modelltraining. Öffnen Sie eine Eingabeaufforderung, navigieren Sie zum Ordner des heruntergeladenen Algorithmus, und geben Sie den folgenden Befehl ein: python train.py. Mit diesem Befehl wird der Lernprozess für das Modell auf Ihrem Computer gestartet. Bitte seien Sie geduldig, dieser Prozess kann je nach der Leistung Ihres Computers und der Menge an Daten, die Sie lernen möchten, eine lange Zeit in Anspruch nehmen.
Jetzt können Sie Yolo7 verwenden, um Objekte in Bildern und Videos zu erkennen. Viel Glück bei Ihrer weiteren Arbeit!
Auswahl der benötigten Ausrüstung
Die folgenden Geräte müssen für die Installation und den Betrieb des YOLO7 vorbereitet werden:
1. Computer: Für den Betrieb des YOLO7 ist ein Computer mit guten technischen Eigenschaften erforderlich. Zu den Mindestanforderungen gehören ein Prozessor mit Unterstützung für SSE4.2-Anweisungen, 8 GB RAM und eine CUDA-fähige GPU.
2. CUDA-fähige GPU: YOLO7 nutzt die Rechenleistung eines Grafikprozessors (GPU), um die Datenverarbeitung zu beschleunigen. Daher ist eine CUDA-fähige GPU erforderlich, um effizient arbeiten zu können. Es wird empfohlen, einen Grafikprozessor der neuesten Generation mit hoher Leistung zu wählen.
3. Betriebssystem: YOLO7 ist mit Windows- und Linux-Betriebssystemen kompatibel. Es wird empfohlen, die neueste Version des ausgewählten Betriebssystems zu installieren und auf die neuesten verfügbaren Updates zu aktualisieren.
4. CUDA Toolkit: Um mit YOLO7 arbeiten zu können, müssen Sie das CUDA Toolkit installieren, ein CUDA-Entwicklungspaket, das die notwendigen Bibliotheken und Werkzeuge für die Arbeit mit der GPU bereitstellt.
5. CUDNN: Für eine optimale Leistung mit YOLO7 wird auch empfohlen, die CUDNN zu installieren, eine Deep Learning–Bibliothek, die die Berechnungen auf der GPU optimiert.
6. Python und erforderliche Abhängigkeiten: Für die Installation und Arbeit mit YOLO7 ist Python Version 3.6 oder höher erforderlich. Sie müssen auch die erforderlichen Abhängigkeiten installieren, die in der Dokumentation von YOLO7 aufgeführt sind.
Die Vorbereitung aller notwendigen Komponenten sorgt für eine effiziente Arbeit mit YOLO7 und liefert zuverlässige Ergebnisse. Bevor Sie beginnen, sollten Sie sich die Dokumentation und die Installationsanweisungen genauer ansehen, um mögliche Probleme und Fehler zu vermeiden.
Herunterladen und Installieren von yolo7
Um yolo7 zu installieren, benötigen Sie die folgenden Anweisungen:
- Rufen Sie die Projekt-Download-Seite auf GitHub auf.
- Lehnen Sie das Repository mit dem Befehl git clone ab.
- Installieren Sie die erforderlichen Abhängigkeiten, indem Sie den Befehl pip install requirements ausführen.txt.
- Laden Sie die vorgewiesenen Gewichte des Modells yolo7 herunter und legen Sie sie im Ordner "Gewichte" ab.
- Stellen Sie sicher, dass sich alle Dateien und Ordner korrekt auf Ihrem Computer befinden.
Nachdem diese Schritte abgeschlossen sind, ist die Installation von yolo7 abgeschlossen und kann verwendet werden.
Konfigurieren der Umgebung für die Arbeit mit yolo7
Bevor Sie mit yolo7 beginnen, müssen Sie mehrere Umgebungskomponenten installieren und konfigurieren.
1. Installieren Sie Python 3.7 oder höher auf Ihrem Computer, wenn es noch keinen gibt. Sie können das Python-Installationsprogramm von der offiziellen Python-Website herunterladen.
2. Installieren Sie die OpenCV-Bibliothek, die ein integraler Bestandteil von yolo7 ist. Geben Sie dazu den folgenden Befehl an der Eingabeaufforderung ein:
pip install opencv-python3. Laden Sie das yolo7-Repository von GitHub herunter. Sie können es als Zip-Archiv herunterladen oder das Repository mit Git klonen:
git clone https://github.com/�����архивируйте скачанный zip-архив yolo7, если вы использовали этот способ загрузки.
5. Установите необходимые зависимости, выполнив следующую команду:
pip install -r requirements.txt6. Fertig! Jetzt können Sie mit yolo7 beginnen, indem Sie das entsprechende Skript aus dem Repository ausführen.
Nachdem Sie nun die Umgebung für die Arbeit mit yolo7 konfiguriert haben, können Sie damit Objekte in Bildern und Videos erkennen und klassifizieren.
Schulungsdaten für yolo7 vorbereiten
Um das yolo7-Modell zu trainieren, müssen Sie die Trainingsdaten richtig vorbereiten. Im Folgenden sind die grundlegenden Schritte aufgeführt, mit denen Sie diese Aufgabe ausführen können:
| Schritt | Die Beschreibung |
| 1. | Sammeln Sie eine Reihe von Bildern, die den Objekten entsprechen, die Sie mit yolo7 entdecken möchten. Es ist notwendig, so viele verschiedene Bilder wie möglich zu sammeln, damit das Modell die Möglichkeit hat, unter verschiedenen Bedingungen zu lernen. |
| 2. | Markieren Sie Objekte in den Bildern. Dazu können Sie verschiedene Werkzeuge wie RectLabel, LabelImg oder YOLO_mark verwenden. Markieren Sie jedes Objekt im Bild, indem Sie seine Grenzen mit einem Rechteck markieren. |
| 3. | Erstellen Sie Formatdateien .txt, die Informationen zu den markierten Objekten in jedem Bild enthalten. Jede Zeile der Datei muss eine Objektklassennummer (eine ganze Zahl), die Koordinaten der oberen linken und unteren rechten Ecke des Rechtecks sowie die relativen Koordinaten des Mittelpunkts des Rechtecks (im Bereich von 0 bis 1) enthalten. |
| 4. | Teilen Sie den Datensatz in Trainings- und Testproben auf. Es wird empfohlen, ein Verhältnis von 70% für Trainingsdaten und 30% für Testdaten zu verwenden. |
| 5. | Erstellen Sie Formatdateien .names, die eine Liste der Feature-Classes enthalten, die Sie mit yolo7 ermitteln möchten. Jede Klasse muss in einer separaten Zeile angegeben werden. |
| 6. | Erstellen Sie eine Formatdatei .data, das Informationen über die Pfade zu den Trainings- und Testprobendateien sowie den Dateipfad enthält .names und .cfg. Diese Datei ist zum Konfigurieren der Trainingseinstellungen erforderlich. |
| 7. | Laden Sie die vorbereiteten Trainingsdaten auf den Server oder das System hoch, auf dem Sie das yolo7-Modell trainieren möchten. |
Die Vorbereitung der Trainingsdaten für yolo7 ist ein wichtiger Schritt, der vor dem Training des Modells durchgeführt werden muss. Die richtige Vorbereitung der Daten hängt von der Qualität des Modells und seiner Fähigkeit ab, Objekte in Bildern zu erkennen. Seien Sie bei jeder Phase der Datenvorbereitung vorsichtig und befolgen Sie die Anweisungen, um die besten Ergebnisse zu erzielen.
Ausbildung des yolo7-Modells
Schritt 1: Vorbereiten des Datums
Um das yolo7-Modell zu trainieren, benötigen Sie ein hochwertiges Datumset, das die markierten Bilder und die entsprechenden XML-Dateien enthält, die Daten zu den Rechtecken der Objekte im Bild enthalten.
Anmerkung: Um die Lernqualität zu verbessern, müssen die verschiedenen Objekte im Datacet und die Anzahl der Objekte in jeder Klasse ausgewogen sein.
Schritt 2: Trainingskonfiguration
Der nächste Schritt besteht darin, die Trainingsparameter des yolo7-Modells anzupassen. Bearbeiten Sie die Konfigurationsdatei (dies ist normalerweise eine Datei mit einer Erweiterung .cfg) und die folgenden Parameter angeben:
- Anzahl der Klassen (wenn zum Beispiel 10 Klassen im Datacet vorhanden sind, geben Sie "classes=10" an)
- Anzahl der Anker (Anker) für jede Schicht (normalerweise wird dieser Wert durch die Anzahl der Klassen geteilt)
- Pfad zu einer Datei mit vortrainierten Modellgewichten (Sie können ein vortrainiertes Modell von yolo7 nehmen und seine Gewichte als Initialisierung verwenden)
- Pfad zur Datumsdateibeschreibung
- Der Weg zum Speichern der Gewichte eines trainierten Modells
Schritt 3: Modell lernen
Starten Sie das yolo7-Modelltraining mit dem Befehl im Terminal:
python train.py --cfg path/to/config/file.cfg
Beim Lernen werden die yolo7-Modelle schrittweise die Genauigkeit und Vollständigkeit verbessern. Beachten Sie, dass die Lernzeit von der Leistung Ihres Computers und der Größe des Datumsbereichs abhängt.
Schritt 4: Auswertung der Lernergebnisse
Nach Abschluss des yolo7-Trainings wird empfohlen, die Genauigkeit (precision) und die Vollständigkeit (recall) mit verschiedenen Metriken wie Average Precision (AP) und F1-Kennzahl zu analysieren.
Anmerkung: Möglicherweise müssen Sie zusätzliche Iterationen durchführen und Lernoptionen wie die Lernrate und die Batch-Größe anpassen, um die Lernergebnisse des Modells zu verbessern.
Verwenden von yolo7 zum Erkennen von Objekten
Nachdem Sie yolo7 erfolgreich installiert und konfiguriert haben, können Sie damit beginnen, Objekte in einem Bild oder in einem Videostream zu erkennen. In diesem Abschnitt stellen wir Ihnen die grundlegenden Schritte zur Verwendung von yolo7 zur Erkennung von Objekten vor.
1. Laden Sie ein Bild hoch oder richten Sie einen Videostream ein
Bevor Sie mit der Verwendung von yolo7 beginnen, müssen Sie ihm ein Bild zur Verfügung stellen oder einen Videostream für die Verarbeitung einrichten. Sie können das Bild mit der cv2-Funktion hochladen.imread(), indem Sie den Pfad zur Bilddatei angeben. Wenn Sie den Videostream verarbeiten möchten, können Sie die Funktion cv2 verwenden.VideoCapture() und geben Sie den Pfad zur Videodatei oder die Nummer der angeschlossenen Kamera an.
2. Legen Sie die Einstellungen für die Objekterkennung fest
Damit yolo7 Objekte in Ihrem Bild oder Video korrekt erkennt, müssen Sie einige Erkennungsoptionen festlegen. Sie können beispielsweise Bildgröße, Schriftart und Farbe festlegen, um die Erkennungsergebnisse anzuzeigen. Alle diese Parameter können in den entsprechenden Variablen im Code konfiguriert werden.
3. Wenden Sie yolo7 auf ein Bild oder einen Videostream an
Sie haben jetzt einen Bild- oder Videostream und festgelegte Erkennungsoptionen. Es bleibt nur übrig, yolo7 auf Ihre Daten anzuwenden. Dazu müssen Sie die Funktion yolo7 aufrufen.detect_objects(), indem ein Bild oder ein Videostream als Argument übergeben wird. Die Funktion gibt die Erkennungsergebnisse als Liste von Objekten zurück.
4. Zeigen Sie die Erkennungsergebnisse an
Nach der Ausführung von yolo7.detect_objects() Sie erhalten eine Liste der Objekte, die in einem Bild oder Videostream gefunden wurden. Jetzt können Sie die gefundenen Objekte mithilfe der cv2-Funktion in einem Bild oder Videostream anzeigen.rectangle() und cv2.putText(). Mit diesen Funktionen können Sie Rechtecke und Text auf ein Bild legen, um die erkannten Objekte anzuzeigen.
Wichtig Vergessen Sie nicht, die Änderungen an einem Bild oder einer Videodatei mit der cv2-Funktion zu speichern.imwrite() oder cv2.videoWriter(). Dadurch können Sie die Erkennungsergebnisse zur späteren Verwendung speichern.
Die Verwendung von yolo7 zum Erkennen von Objekten ist eine einfache Aufgabe, die mit ein paar einfachen Schritten erledigt werden kann. Beachten Sie die oben beschriebenen grundlegenden Schritte, und Sie können yolo7 erfolgreich verwenden, um Objekte in einem Bild oder in einem Videostream zu erkennen.
