YOLOv7 实例分割训练实战：分割数据格式、训练与预测可视化

原创于 2026-07-17 19:46:00 发布 · 8 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

人工智能入门

教程

YOLOv7 实例分割训练实战：分割数据格式、训练与预测可视化

这篇教程根据我复现 YOLOv7 实例分割流程时整理，重点演示 YOLOv7 seg 环境、预训练推理、自定义分割数据训练和结果展示。

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 seg 环境
运行预训练分割模型
从数据集后台获取 YOLOv7 分割数据
训练自定义分割模型
评估并展示预测 mask

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 实例分割训练实战：分割数据格式、训练与预测可视化

⚙️ 环境准备

先检查 GPU 与基础运行环境。建议优先使用 Colab GPU 或本地 NVIDIA GPU 环境。

!nvidia-smi

🧩 安装 YOLOv7

下面按 notebook 原流程继续执行。

import os
HOME = os.getcwd()
print(HOME)

# clone YOLOv7 repository
%cd {HOME}
!git clone https://github.com/WongKinYiu/yolov7

# navigate to yolov7 directory and checkout u7 branch of YOLOv7 - this is hash of lates commit from u7 branch as of 12/21/2022
%cd {HOME}/yolov7
!git checkout 44f30af0daccb1a3baecc5d80eae22948516c579

%cd {HOME}/yolov7/seg
!pip install --upgrade pip
!pip install -r requirements.txt

🔍 预训练分割推理

先用预训练分割模型跑通示例图，确认分割链路正常。

# download COCO starting checkpoint to yolov7/seg directory
%cd {HOME}/yolov7/seg
!wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7-seg.pt

WEIGHTS_PATH = f"{HOME}/yolov7/seg/yolov7-seg.pt"

# download example image to yolov7/seg directory
%cd {HOME}/yolov7/seg
!wget --no-check-certificate 'https://docs.google.com/uc?export=download&id=1sPYHUcIW48sJ67kh5MHOI3GfoXlYNOfJ' -O dog.jpeg

IMAGE_PATH = f"{HOME}/yolov7/seg/dog.jpeg"

%cd {HOME}/yolov7/seg
!python segment/predict.py --weights $WEIGHTS_PATH --source $IMAGE_PATH --name coco

RESULT_IMAGE_PATH = f"{HOME}/yolov7/seg/runs/predict-seg/coco/dog.jpeg"

from IPython.display import Image, display

display(Image(filename=RESULT_IMAGE_PATH))

在这里插入图片描述

📦 从数据集后台获取分割数据

下面按 notebook 原流程继续执行。

from getpass import getpass

# 如果需要访问私有数据集，请在运行时输入对应密钥。
DATA_API_KEY = getpass("Enter data API key secret value: ")

from types import SimpleNamespace

# 从数据集后台下载 YOLOv7 分割 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")

🏋️ 自定义训练

开始训练前重点检查数据路径和类别数量。

%cd {HOME}/yolov7/seg
!python segment/train.py --batch 16 \
 --epochs 10 \
 --data {dataset.location}/data.yaml \
 --weights $WEIGHTS_PATH \
 --device 0 \
 --name custom

from IPython.display import Image, display

display(Image(filename=f"{HOME}/yolov7/seg/runs/train-seg/custom/val_batch0_labels.jpg"))

在这里插入图片描述

📏 评估模型

下面按 notebook 原流程继续执行。

%cd {HOME}/yolov7/seg
!python segment/predict.py \
--weights {HOME}/yolov7/seg/runs/train-seg/custom/weights/best.pt \
--conf 0.25 \
--source {dataset.location}/test/images

import glob
from IPython.display import Image, display

for imageName in glob.glob('/content/yolov7/seg/runs/predict-seg/exp/*.jpg')[:2]:
      display(Image(filename=imageName))
      print("\n")