一步一步详解如何在CPU上训练YOLO v7模型（实战并分享注意事项）

我正在参加「掘金·启航计划」

开发所处环境：

1. python版本3.8
2. Inter或者AMD的CPU

对于一些朋友写代码用的笔记本，可能和我一样，显卡不支持cuda或者没有独立显卡，但是想用cpu简单训练一下，看看效果，借掘金社区活动的机会，这里我给大家分享一下自己的踩坑记录。

这里我训练了YOLOv7的人脸检测模型，运行良好，在文末我会提供模型给大家测试使用。

一、创建虚拟环境

使用conda就可以了，我这里选择miniconda，因为更干净。

1.下载miniconda

下载地址：Miniconda — conda documentation把安装位置改为D盘，其他都默认。

安装后只有终端，没有其他的软件，非常的干净。

2.pycharm新建项目

在pycharm中使用conda即可，快捷方便。（以往是在命令号中）

二、下载源码

下载地址：

WongKinYiu/yolov7: Implementation of paper - YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors (github.com)

不要忘记下载pt权重文件，下好之后放在根目录下面。下载YOLOv7这个model就可以了。

三、安装依赖

安装依赖要分为两步，第一步是torch的安装，第二步是其他依赖库的安装。

1.安装torch

下载官网地址：PyTorch

2.下载其他依赖

使用YOLOv7提供的requirement.txt文件下载其他内容。

pip install -r requirements.txt

四、准备数据集

YOLOv7的数据集格式是这样的，images里面是jpg文件，labels里面是txt文件。

我这里准备了149张训练集，22张测试集。数据量比较小，但是效果最后还凑合。

注意：val是必须的，如果没有val的话，就不能正常训练。

我这里是使用Make Sense进行标注，大家可以参考，也可用其他标注工具。

五、训练过程（包含踩坑）

1.新建yaml文件

face.yaml文件内容如下：

train: ./data/face/images/train  # 149 images
val: ./data/face/images/val  # 22 images

# number of classes
nc: 1

names: ["face"]

2.修改权重的yaml文件

我们使用的yolov7.pt权重，所以修改yolov7.yaml

只修改我框出的内容即可。

3.修改train.py文件

因为我们使用cpu训练，跑的慢，而且我们这里主要是为了验证，

所以我们就修改epochs=20|batch-size=1

device修改为cpu，workers可以改也可以不改，根据自己的cpu线程数来。

4.运行train.py文件

可能会报一个关于wandb的错误，这是记录日志的，如果你不需要可以向我一样卸载它。

开始训练

训练一分多，出现报错

5.解决报错

这里我们只要安装报错去修改就可以了。把loss.py文件对应的代码由cuda修改为cpu。

再次训练就可以成功训练了。

六、总结

• run文件夹是运行产生的，可以删掉。
• yolov7.pt模型还是大了些，推导起来只有1.3fps，可以选用更轻量的模型，可以在YOLOv7的github主页下的tag标签，有更轻量的模型，并没有像YOLOv5一样放在显目的地方。
• epochs选择20还是太小了，选择100的效果会显著很多，CPU训练大概0.7S一张图片，大家可以估算一下训练时间。
• cpu训练只是为了验证一下，建议还是使用GPU来训练，时间就是金钱。