yolov7训练自己的数据集mac

### 安装依赖库

为了在 Mac 上使用 YOLOv7 训练自定义数据集，需先安装必要的 Python 库。确保已安装 Anaconda 或 Miniconda 来管理虚拟环境。

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

### 准备数据集

#### 获取并转换图像

按照指定方法收集视频素材，并将其转化为图片序列[^1]：

import cv2

def video_to_frames(video_path, output_folder):
    cap = cv2.VideoCapture(video_path)
    frame_count = 0
    
    while True:
        ret, frame = cap.read()
        if not ret:
            break
        
        image_file_name = f"{output_folder}/frame_{frame_count}.jpg"
        cv2.imwrite(image_file_name, frame)
        frame_count += 1

video_to_frames('path/to/video.mp4', 'frames_output')

#### 创建标签文件

利用 `labelImg` 工具标记目标对象位置，保存为 `.txt` 文件遵循 YOLO 格式。

### 配置YOLOv7项目结构

创建如下目录布局以便于管理和访问不同类型的资源:

yolov7/
├── custom_dataset/
│   ├── images/
│   │   └── train/
│   │   └── val/
│   └── labels/
│       └── train/
│       └── val/
└── data/custom_data.yaml

编辑配置文件 `data/custom_data.yaml`, 设置路径指向本地存储的数据子集[^4]:

train: ../custom_dataset/images/train
val:   ../custom_dataset/images/val

nc: 80 # 类别数量
names: ['class_1', 'class_2'] # 自定义类别名称列表

### 开始训练过程

启动模型训练之前确认所有设置无误后执行命令行指令开始训练新模型:

python train.py --img 640 --batch 16 --epochs 50 \
                --data ./data/custom_data.yaml \
                --cfg cfg/training/yolov7-custom.yaml \
                --weights '' # 如果有预训练权重可以加载

对于不具备 GPU 的设备建议采用更轻量级版本如 YOLOv5 Lite 并调整超参数以适应 CPU 性能特点[^3].