YOLOv7 自定义目标检测训练实战：数据准备、训练与推理展示-CSDN博客

YOLOv7 自定义目标检测训练实战：数据准备、训练与推理展示

这篇教程根据我复现 YOLOv7 自定义目标检测流程时整理，重点演示依赖安装、数据集准备、模型训练、评估和测试集推理。

本文整理自我的学习和项目复现过程，尽量按实操顺序保留 notebook 的关键步骤，同时把数据集获取方式调整为适合中文教程发布的写法。

本文会重点跑通以下流程：

安装 YOLOv7 环境
从数据集后台获取检测数据
下载 COCO 预训练权重
启动自定义训练
评估并展示测试集预测

如果你正在系统学习目标检测、实例分割、OCR、多目标跟踪或视觉大模型，建议收藏本文；配套 notebook、示例图片和运行环境说明后续会继续整理。如果环境配置卡住，可以在评论区说明具体报错。

📚 文章目录

YOLOv7 自定义目标检测训练实战：数据准备、训练与推理展示

⚙️ 安装依赖

下面按 notebook 原流程继续执行。

!nvidia-smi

# 下载 YOLOv7 仓库并安装依赖

# !git clone https://github.com/WongKinYiu/yolov7
# %cd yolov7
# !pip install -r requirements.txt

# current version of YOLOv7 is not compatible with pytorch>1.12.1 and numpy>1.20.1
# until the appropriate changes get made to the main repository, we will be using a fork containing the patched code
# you can track the progress here: https://github.com//notebooks/issues/27
!git clone https://github.com/SkalskiP/yolov7.git
%cd yolov7
!git checkout fix/problems_associated_with_the_latest_versions_of_pytorch_and_numpy
!pip install -r requirements.txt

📦 从数据集后台获取检测数据

下面按 notebook 原流程继续执行。

from types import SimpleNamespace

# 从数据集后台下载 YOLO 检测 格式数据集后，修改 DATASET_DIR 指向解压目录。
DATASET_DIR = "/content/dataset"  # 修改为数据集后台导出的数据集目录
dataset = SimpleNamespace(location=DATASET_DIR, version="1", name="custom-dataset")

🏋️ 开始训练

下面按 notebook 原流程继续执行。

# download COCO starting checkpoint
%cd /content/yolov7
!wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7_training.pt

# 运行此单元开始训练
%cd /content/yolov7
!python train.py --batch 16 --epochs 55 --data {dataset.location}/data.yaml --weights 'yolov7_training.pt' --device 0

📏 评估模型

下面按 notebook 原流程继续执行。

# 运行评估
!python detect.py --weights runs/train/exp/weights/best.pt --conf 0.1 --source {dataset.location}/test/images

#display inference on ALL test images

import glob
from IPython.display import Image, display

i = 0
limit = 10000 # max images to print
for imageName in glob.glob('/content/yolov7/runs/detect/exp/*.jpg'): #assuming JPG
    if i < limit:
      display(Image(filename=imageName))
      print("\n")
    i = i + 1

在这里插入图片描述

📤 部署说明

Notebook 原流程包含在线部署。这里保留本地模型路径，方便接入自己的部署流程。

# 可选：将训练得到的 YOLOv7 权重接入自己的部署流程。
MODEL_DIR = "/content/yolov7/runs/train"
MODEL_DIR

📌 小结

这篇教程完整整理了 YOLOv7 自定义目标检测训练 的核心复现流程。实际操作时，建议先确认 GPU、依赖版本、数据集路径和模型权重路径，再逐段运行 notebook。

后续我会继续按源项目顺序整理同系列中的目标检测、实例分割、OCR、多目标跟踪和视觉大模型教程。

📚 同系列教程汇总

Google Gemini 3.5 Flash 零样本目标检测教程：从提示词到可视化结果
GLM-OCR 文档识别实战教程：从验证码、公式到车牌 OCR
RF-DETR + ByteTrack 多目标跟踪实战教程：从命令行到 Python 视频轨迹可视化
SAM 3 图像分割实战教程：文本、框和点提示的多种分割方式
SAM 3 视频分割实战教程：用文本提示分割并跟踪视频中的目标
YOLOv7 自定义目标检测训练实战：数据准备、训练与推理展示-本文