yolov7的数据集格式和yolov5是一样的，基本上直接将yolov5的数据集拿过来用即可。还有点需要注意就是用yolov5训练后的cache文件，在训练yolov7是要删除。区别就是没了path，主要是有些数据比较大，不想移来移去，所以直接修改v7的代码。主要修改的是yolov7\utils\general.py。这样就只需要在配置文件中改数据集路径即可。区别就在yaml文件上，......

论文的作者是说在yolo上效果有提升，不过还没有测试，具体还不清楚，把代码撸出来先。yolov7的代码结构类似，可以参照tiny的yaml进行修改。先上配置文件yolov7-tiny-AFPN.yaml。在models/common.py增加。

yolov7代码结构简单，效果还好，但是动辄超过70层的配置文件对于想要对网络进行魔改的朋友还是不怎么友好的，使用最小的tiny也有77层。代码的整体结构简单，直接将ELAN结构化写成一个类就能像yolov5一样仅仅之后20几层，方便对网络结构的魔改，看着也不容易头晕。先创建配置文件yolov7-tiny-ELAN.yaml。在yolo.py中的parse_model中增加。这里先放一张改好的网络

yolov5训练过程中wandb总是提示登入账号，不登入还不能继续训练在\yolov5\utils\loggers\wandb\wandb_utils.py中import wandb的下面加上wandb = Nonetry:import wandbfrom wandb import init, finishexcept ImportError:wandb = None# 添加以下语句wandb =

1、TorchScript: export failure: save(): incompatible function arguments. The following argument types are supported:(self: torch._C.ScriptModule, filename: str, _extra_files: Dict[str, str] = {}) ->

在utils/loss.py中添加。

不同于IOU匹配，yolov5采用基于宽高比例的匹配策略，GT的宽高与anchors的宽高对应相除得到ratio1，anchors的宽高与GT的宽高对应相除得到ratio2，取ratio1和ratio2的最大值作为最后的宽高比，该宽高比和设定阈值（默认为4）比较，小于设定阈值的anchor则为匹配到的anchor。2、Objectness loss，obj置信度损失，采用BCE loss，计算的是

最近看yolov5更新了代码，支持导出的模型增加了不少，clone了最新的代码，但是遇到了onnx模型导出失败的问题最新的代码是v6.1的：导出模型时提示：然后就没了下文，直接退出了，使用旧版的export.py作为包导入export_onnx()也一样报错，看了下代码，代码写的其实是一模一样的，只是打印信息使用了log，但之前的代码导出onnx是没问题的，这就奇怪了。折腾了半天，差点直接重装an

# -*- coding: utf-8 -*-"""Time:2021.10.26Author:AthrunsunnyVersion:V 0.1File:toyolo.pyDescribe: Functions in this file is change the dataset format to yolov5"""import osimport numpy as npimport jsonfr

yolov5将训练好的模型转换成onnx格式，在使用转换后的onnx格式的权重进行推理时作者使用如下语句：# Inferenceif pt:visualize = increment_path(save_dir / Path(path).stem, mkdir=True) if visualize else Falsepred = model(img, augment=augment, visua