YOLOv7检测出来目标没有对对象分类

这可能是因为YOLOv7模型没有被训练为分类特定的对象。YOLOv7是一种目标检测算法，它可以检测出输入图像中的目标并标注它们的边界框。但是，如果您希望模型将目标分类为不同的对象，您需要使用已经训练好的模型或自己训练一个分类器，并将其与YOLOv7模型结合使用。这样，您就可以让模型在检测到目标的同时，将其分类为不同的对象。

相关问题

yolov7 多边形对象检测

YOLOv7是目标检测领域中一种重要的模型，具有高性能和广泛应用的特点。它是YOLO系列模型的最新版本，通过源码的使用可以实现多边形对象检测。

在执行目标检测任务时，为了确保算法只对每个对象得到一个检测框，可以使用非极大值抑制（NMS）方法。该方法可以在多次检测同一目标时，通过筛选出置信度最高的检测结果，从而获得更准确的目标边界框。

具体地，使用YOLOv7进行多边形对象检测时，可以使用以下代码：

classids, scores, bboxes = cv2.dnn_DetectionModel.detect(frame, confThreshold,numsThreshold)

其中，`frame`表示输入的图像，`confThreshold`表示置信度阈值，`numsThreshold`表示目标个数阈值。通过这段代码可以获取到每个检测到的目标的类别ID、置信度以及边界框信息。

综上所述，YOLOv7可以通过源码实现多边形对象检测，通过NMS方法可以确保每个对象只有一个检测框，而使用`cv2.dnn_DetectionModel.detect`函数可以获取到每个目标的类别ID、置信度和边界框信息。<span class="em">1</span><span class="em">2</span><span class="em">3</span>

yolov7目标检测实践过程

以下是 YOLOv7 目标检测的实践过程：

1. 数据集准备：首先需要准备训练数据集和测试数据集。数据集应包含标注好的图像和标签文件，标签文件通常是包含对象类别和边界框坐标的文本文件。可以使用开源数据集，也可以自己标注数据集。

2. 安装和配置环境：需要安装深度学习框架 PyTorch 和一些必要的库，如 NumPy、Pillow、OpenCV 等。还需要下载 YOLOv7 的代码库和预训练模型。

3. 模型训练：使用训练数据集对 YOLOv7 进行训练。在训练过程中，需要设置一些超参数，如学习率、批量大小、迭代次数等。还需要选择优化器和损失函数。训练过程可能需要一些时间，取决于数据集的大小和复杂度，以及所选的超参数。

4. 模型测试：使用测试数据集对训练好的模型进行测试。在测试过程中，模型将对图像进行预测，并输出对象类别和边界框坐标。还需要计算模型的精度和召回率等指标。

5. 模型优化：根据测试结果，可以对模型进行优化。可以调整超参数、增加训练数据集、进行数据增强等操作，以提高模型的准确性和可靠性。

6. 模型应用：将训练好的模型应用到实际场景中。可以使用模型进行对象检测和跟踪，实现一些实际应用，如智能安防、自动驾驶等。

以上是 YOLOv7 目标检测的实践过程，需要熟练掌握深度学习和计算机视觉知识。