企业官网建设流程全解析

• 人工智能
• 深度学习
• 计算机视觉

导读

本文以 README.md 为主线，系统讲解 YOLOv7 官方仓库的完整工作流：环境搭建、COCO 数据准备、训练与迁移学习、精度测试、图片/视频推理、重参数化，以及 PyTorch 向 ONNX、TensorRT、CoreML 的模型导出。读完本文，你将能够复现 MS COCO 上 51.4% AP 的基准结果，掌握单卡/多卡训练命令的每个参数含义，并学会把模型导出为可直接部署的端到端推理格式。

YOLOv7 是论文《YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors》（arXiv:2207.02696）的官方实现，其核心思想是提出多种"可训练的免费赠品"（trainable bag-of-freebies）——包括规划的重参数化卷积、辅助训练头、动态标签分配策略等，在不增加推理成本的前提下显著提升实时目标检测精度。

性能总览：MS COCO 基准

官方在 MS COCO 测试集上评估了从 P5 到 P6/E6E 的全系列模型，覆盖 640 与 1280 两种测试分辨率。下表来自仓库 README 的性能数据，其中 AP 为 COCO 标准 mAP@0.5:0.95：

从表中可以看到清晰的"精度-速度"取舍梯度：640 输入下的 YOLOv7 与 YOLOv7-X 面向实时场景（单卡 batch 1 下分别约 161 fps 与 114 fps），而 1280 输入下的 W6/E6/D6/E6E 系列面向高精度场景，AP 从 54.9% 一路提升到 56.8%。此外，官方还提供了 HuggingFace Spaces 上的 Gradio Web Demo 供在线体验。

环境搭建与安装

Docker 环境（推荐）

README 推荐直接使用 NVIDIA 官方 PyTorch 容器，避免复杂的 CUDA 环境配置。核心步骤如下：

# 创建 docker 容器，可根据机器显存调整共享内存大小 nvidia-docker run --name yolov7 -it -v your_coco_path/:/coco/ -v your_code_path/:/yolov7 --shm-size=64g nvcr.io/nvidia/pytorch:21.08-py3 # 安装 apt 依赖 apt update apt install -y zip htop screen libgl1-mesa-glx # 安装 pip 依赖（seaborn 用于绘图、thop 用于 FLOPs 统计） pip install seaborn thop # 进入代码目录 cd /yolov7

注意--shm-size=64g的取值：DataLoader 的num_workers较多时会占用共享内存，官方建议按实际资源调整该值。

pip 依赖版本约束

若使用本地 Python 环境，可参考仓库 requirements.txt 中的版本约束：

• torch>=1.7.0,!=1.12.0、torchvision>=0.8.1,!=0.13.0（注意显式排除 1.12.0 / 0.13.0 两个版本）；
• numpy>=1.18.5,<1.24.0；
• opencv-python>=4.1.1、Pillow>=7.1.2、PyYAML>=5.3.1、scipy>=1.4.1、tqdm>=4.41.0；
• protobuf<4.21.3；
• 绘图与可视化：pandas>=1.1.4、seaborn>=0.11.0、matplotlib>=3.2.2；
• 日志：tensorboard>=2.4.1；
• ONNX/TensorRT 等导出所需的onnx、onnx-simplifier在 requirements 中以注释形式给出，按需安装。

README 标注的官方测试环境为：Python 3.7.13、PyTorch 1.12.0+cu113。

精度测试（Testing）

测试命令与指标解读

下载预训练权重（yolov7.pt、yolov7x.pt、yolov7-w6.pt、yolov7-e6.pt、yolov7-d6.pt、yolov7-e6e.pt）后，在验证集上运行 test.py：

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

参数含义如下：

• --data：数据集配置文件路径；
• --img：测试输入尺寸（像素）；
• --batch：批大小；
• --conf：NMS 前的置信度阈值。测试阶段建议设为极低的 0.001，避免漏检拉低召回率，这与推理阶段的 0.25 是不同场景；
• --iou：NMS 的 IoU 阈值（0.65）；
• --device：GPU 编号；
• --weights：权重文件路径；
• --name：结果输出目录名，保存到runs/test/<name>。

从 test.py 的实现可以看到，mAP 计算会遍历torch.linspace(0.5, 0.95, 10)这 10 个 IoU 阈值（0.5~0.95 步长 0.05）取平均，同时按 small / medium / large 三种目标面积分别统计 AP 与 AR。官方测试结果如下：

Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.51206 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.69730 Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.55521 Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.35247 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.55937 Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.66693 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.38453 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.63765 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.68772 Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.53766 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.73549 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.83868

标注文件准备

为计算 mAP，需要把 COCO 官方标注（annotations_trainval2017.zip）解压到./coco/annotations/instances_val2017.json。test.py 内部通过coco80_to_coco91_class()（见 utils/general.py）完成 COCO 80 类索引到 COCO 91 类索引的映射后提交给 pycocotools 计算。

训练（Training）

数据准备

仓库提供了 scripts/get_coco.sh 一键脚本：

bash scripts/get_coco.sh

脚本会并行下载并解压：

• 标签：coco2017labels-segments.zip（68 MB，同时包含检测与分割标签）；
• 图像：train2017.zip（约 19G，118k 张）、val2017.zip（约 1G，5k 张）、test2017.zip（约 7G，41k 张，可选）。

提示：如果之前使用过其他版本 YOLO 的 COCO 数据，官方强烈建议删除train2017.cache和val2017.cache缓存文件并重新下载标签，避免缓存与标签格式不匹配导致训练异常。

单 GPU 训练

# 训练 p5 模型（输入 640） python train.py --workers 8 --device 0 --batch-size 32 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights '' --name yolov7 --hyp data/hyp.scratch.p5.yaml # 训练 p6 模型（输入 1280） python train_aux.py --workers 8 --device 0 --batch-size 16 --data data/coco.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6.yaml --weights '' --name yolov7-w6 --hyp data/hyp.scratch.p6.yaml

两条命令分别对应两个训练入口：train.py 用于 P5 骨干（stride 32）系列，train_aux.py 用于带辅助训练头的 P6 系列。--img 640 640的第二个值用于第 11 个 epoch 起的微调输入尺寸。

多 GPU 训练

# 训练 p5 模型（4 卡） python -m torch.distributed.launch --nproc_per_node 4 --master_port 9527 train.py --workers 8 --device 0,1,2,3 --sync-bn --batch-size 128 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights '' --name yolov7 --hyp data/hyp.scratch.p5.yaml # 训练 p6 模型（8 卡） python -m torch.distributed.launch --nproc_per_node 8 --master_port 9527 train_aux.py --workers 8 --device 0,1,2,3,4,5,6,7 --sync-bn --batch-size 128 --data data/coco.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6.yaml --weights '' --name yolov7-w6 --hyp data/hyp.scratch.p6.yaml

多卡训练通过torch.distributed.launch启动，--sync-bn开启跨卡同步批归一化（通常能提升精度），--batch-size 128为 4 卡/8 卡下的全局总批大小（每卡约 32 或 16），--master_port 9527用于指定分布式通信端口。

网络结构配置说明

以 cfg/training/yolov7.yaml 为例，配置文件由三部分组成：

• parameters：nc（类别数，COCO 为 80）、depth_multiple与width_multiple（深度/宽度缩放系数，为 1.0 时即标准 YOLOv7）；
• anchors：P3/8、P4/16、P5/32 三个尺度的锚框，如[12,16, 19,36, 40,28]、[36,75, 76,55, 72,146]、[142,110, 192,243, 459,401]；
• backbone / head：以[from, number, module, args]形式描述的模块列表。backbone 大量使用Concat组合多路特征（ELAN 结构），head 则使用SPPCSPC空间金字塔池化、RepConv可重参数化卷积，并在最后通过IDetect（对应 models/yolo.py 中的检测头）在 P3/P4/P5 三个尺度输出检测结果。

迁移学习（自定义数据集微调）

针对自定义数据集，官方提供了训练权重（yolov7_training.pt、yolov7x_training.pt以及 W6/E6/D6/E6E 对应的 training 权重，均带 EMA 结构）：

# 微调 p5 模型 python train.py --workers 8 --device 0 --batch-size 32 --data data/custom.yaml --img 640 640 --cfg cfg/training/yolov7-custom.yaml --weights 'yolov7_training.pt' --name yolov7-custom --hyp data/hyp.scratch.custom.yaml # 微调 p6 模型 python train_aux.py --workers 8 --device 0 --batch-size 16 --data data/custom.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6-custom.yaml --weights 'yolov7-w6_training.pt' --name yolov7-w6-custom --hyp data/hyp.scratch.custom.yaml

--weights 'yolov7_training.pt'传入的是保留训练结构（含辅助头/EMA）的权重而非推理权重，这是 YOLOv7 迁移学习的关键——官方同时提供.pt（推理）与_training.pt（训练）两套权重，微调务必使用后者。对应的data/custom.yaml需要按nc、train/val图片路径、类别名等字段改写。

重参数化（Re-parameterization）

YOLOv7 采用可重参数化设计（RepConv），训练时网络带有额外的并行分支，推理时需要将结构重参数化合并，才能得到精简、高速的部署模型。仓库提供了完整的操作说明，见 tools/reparameterization.ipynb，其中主要工作是把 RepConv 的多分支权重融合为单分支卷积，并去除辅助训练头，最终保存为可部署的推理权重。

推理（Inference）

推理入口为 detect.py，支持图片、视频、摄像头与网络流：

# 视频推理 python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source yourvideo.mp4 # 图片推理 python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source inference/images/horses.jpg

推理结果示例（马匹检测，来自仓库figure/horses_prediction.jpg）：

从 detect.py 的参数定义可以看到完整的可调项：

• --source：输入源，默认inference/images；支持文件、目录、摄像头编号0，以及rtsp://、rtmp://、http://、https://网络流；
• --img-size：推理输入尺寸，默认 640，会被 utils/general.py 的check_img_size自动修正为 stride 的整数倍；
• --conf-thres：置信度阈值，默认 0.25；--iou-thres：NMS 的 IoU 阈值，默认 0.45；
• --device：0或0,1,2,3或cpu；
• --view-img：实时显示结果；--save-txt：额外保存 YOLO 格式的标签文件；--save-conf：在 txt 标签中附带置信度；--nosave：不保存结果图像/视频；
• --classes：按类别过滤，如--classes 0 2 3；
• --agnostic-nms：类别无关 NMS；--augment：开启测试时增强（TTA）；
• --project/--name/--exist-ok：控制结果输出目录（默认runs/detect/exp，同名自动递增）；
• --no-trace：关闭 TorchScript Trace 加速（默认开启TracedModel）。

推理流水线（见 detect.py）为：模型预热（warmup）→torch.no_grad()下前向 →non_max_suppression去重 →scale_coords将框坐标从网络输入尺寸映射回原图尺寸 → 绘制/保存。GPU 上默认启用 FP16（model.half()）以加速。

模型导出（Export）

PyTorch → ONNX（含 NMS）

仓库提供了完整导出脚本 export.py，输出 ONNX 与配套的 Colab 教程（tools/YOLOv7onnx.ipynb）。导出带内置 NMS 的端到端 ONNX 命令如下：

python export.py --weights yolov7-tiny.pt --grid --end2end --simplify \ --topk-all 100 --iou-thres 0.65 --conf-thres 0.35 --img-size 640 640 --max-wh 640

关键参数（对应 export.py）：

• --grid：导出 Detect 层的网格输出；
• --end2end：导出端到端模型（内置 NMS）。--max-wh为 None 时适配 TensorRT 的 NMS 插件（输出num_dets/det_boxes/det_scores/det_classes四组张量），给定整数值（如 640）时适配 ONNX Runtime 的 NMS（输出拼接的output）；
• --topk-all：每张图保留的目标数上限，默认 100；
• --iou-thres/--conf-thres：内置 NMS 的 IoU 与置信度阈值；
• --simplify：用 onnx-simplifier 精简计算图；
• --dynamic-batch/--dynamic：导出动态 batch 或动态宽高的 ONNX（见 export.py 中 dynamic_axes 的设置逻辑）；
• --include-nms：通过RegisterNMS插件注册自定义 NMS 算子（utils/add_nms.py）。

导出时内部会先做 TorchScript trace，再统一opset_version=12导出，并进行onnx.checker.check_model校验。

PyTorch → TensorRT（两种方式）

方式一：导出端到端 ONNX 后用官方工具转 TRT

wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7-tiny.pt python export.py --weights ./yolov7-tiny.pt --grid --end2end --simplify --topk-all 100 --iou-thres 0.65 --conf-thres 0.35 --img-size 640 640 git clone https://github.com/Linaom1214/tensorrt-python.git python ./tensorrt-python/export.py -o yolov7-tiny.onnx -e yolov7-tiny-nms.trt -p fp16

方式二：使用 NMS 插件 + trtexec

wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7-tiny.pt python export.py --weights yolov7-tiny.pt --grid --include-nms git clone https://github.com/Linaom1214/tensorrt-python.git python ./tensorrt-python/export.py -o yolov7-tiny.onnx -e yolov7-tiny-nms.trt -p fp16 # 或直接用 trtexec 把 ONNX 转为 TensorRT engine /usr/src/tensorrt/bin/trtexec --onnx=yolov7-tiny.onnx --saveEngine=yolov7-tiny-nms.trt --fp16

方式一基于端到端 ONNX，把 NMS 一并固化进模型；方式二在导出时注册自定义 NMS 插件，再用 trtexec 以 FP16 精度构建 engine。两者都需要借助外部 tensorrt-python 工具库完成 ONNX→engine 转换。

PyTorch → CoreML（macOS/iOS）

导出及端到端推理流程见 tools/YOLOv7CoreML.ipynb。CoreML 导出在 export.py 中实现：先得到 TorchScript 模型，再用 coremltools 转换，输入按scale=1/255.0做像素归一化；--fp16与--int8分别启用 FP16 与 INT8 权重量化（量化仅在 macOS 上支持，见 export.py 的平台判断）。

扩展分支：姿态估计与实例分割

除了目标检测主线，官方还基于同一框架发布了多种任务分支与配套权重：

• 姿态估计（Pose estimation）：权重yolov7-w6-pose.pt，使用说明见 tools/keypoint.ipynb，支持单人/多人关键点检测：

• 实例分割（Instance segmentation）：YOLOv7 实例分割分支（YOLOR + YOLOv5 + YOLACT 组合），权重yolov7-seg.pt，使用说明见 tools/instance.ipynb。其 COCO 结果为：box AP 51.4%、box AP50 69.4%、mask AP 41.5%、mask AP50 65.5%；
• 无锚框检测头（Anchor free）：带解耦 TAL 头（TAL 即 Task-Aligned Assigner）的 YOLOv7-u6 变体，640 输入下 COCO val 集 AP 52.6%、AP50 69.7%、AP75 57.3%。

引用（Citation）

若在研究中使用了 YOLOv7，请引用以下文献（来自仓库 README）：

@inproceedings{wang2023yolov7, title={{YOLOv7}: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors}, author={Wang, Chien-Yao and Bochkovskiy, Alexey and Liao, Hong-Yuan Mark}, booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)}, year={2023} } @article{wang2023designing, title={Designing Network Design Strategies Through Gradient Path Analysis}, author={Wang, Chien-Yao and Liao, Hong-Yuan Mark and Yeh, I-Hau}, journal={Journal of Information Science and Engineering}, year={2023} }

延伸：官方展示的更多视觉任务

README 末尾的 Teaser 展示了基于 YOLOv7 骨架扩展的更多研究方向，包括：YOLOv7-semantic（语义分割）、YOLOv7-panoptic（全景分割）、YOLOv7-caption（图像描述）、YOLOv7-depth（深度估计）、YOLOv7-3d-detection（3D 检测）、YOLOv7-lidar（激光雷达）与 YOLOv7-road（道路分割）等。这些内容说明 YOLOv7 的骨干与颈部结构具备较强的跨任务迁移能力，可作为进一步研究或二次开发的起点。相关示例图（如tennis.jpg、yolov7_city.jpg、yolov7_3d.jpg等）均存放在 figure 目录下。

• 人工智能
• 深度学习
• 计算机视觉