尧图网页设计 
简介基于半监督学习训练YOLOv7的完整课程设计项目面向深度学习与计算机视觉方向的高校学生可作为课程设计或期末大作业直接使用。项目已通过导师指导并获得97分高分包含源码与全部数据下载后无需修改即可运行。压缩包共36个文件以26个Python脚本为主体涵盖半监督数据加载、半监督训练、网络构建、预测推理与mAP评估等核心模块另含XML配置、TXT说明、示例图片及版本控制文件整体大小仅525KB便于快速学习与二次开发。项目中网络结构、数据处理与训练工具分层组织并附依赖清单和训练入口便于快速复现整个半监督目标检测流程。目前已有250人浏览学习。借助该资源使用者可系统了解半监督学习在目标检测任务中的落地方式掌握从数据标注、锚框计算到模型训练与效果验证的完整流程为相关课题研究提供可直接复用的工程参考。# 拿到一套 yolov7 完整项目源码后我建议你先改这几个地方再跑训练 先说一个反直觉的结论对多数做毕业设计或中小型视觉项目的人来说跑通 yolov7 并不是最难的一步最难的是“从头拼出一个能训练、能推理、能改数据集、还能在嵌入式设备上部署的完整闭环”。这份 yolov7 项目完整源码正好把主干检测模型、训练脚本、推理脚本、数据处理工具链都整合到了一起拿到的第一反应不该是直接开训而是先看清它的目录结构和调用关系。这篇文章我会按“选型依据 → 环境与数据准备 → 训练参数 → 调优排坑 → 工程化封装”的顺序把源码里最值得抠的细节展开讲适合正在做目标检测毕设、或者想快速把 yolov7 部署到实际场景的开发者。 ## 1. yolov7 网络选型与配套工具链梳理 拿到源码包之后先别急着装环境我一般会花半小时把目录结构看一遍。yolov7 的核心竞争力不在“层数多”而在它提出的 E-ELAN 结构和辅助训练头auxiliary head。E-ELAN 的作用是让梯度在跨层特征融合时传递更顺畅翻译成工程语言就是**在相同算力预算下yolov7 能把精度堆得比同代模型更高而且推理速度不掉链子**。这对毕业设计尤其重要——因为很多答辩场景会现场跑 demo帧率和显存占用都是要拿出来说事的。 ### 1.1 源码目录功能拆分 一份能跑的 yolov7 源码目录结构通常长这样yolov7-main/ ├── cfg/ # 模型结构配置deploy/yolov7.yaml 或 yolov7.yaml ├── data/ # 数据集 yaml、类别文件 ├── models/ # 网络模块定义 common.py、yolo.py ├── utils/ # 数据处理、损失函数、指标计算 ├── train.py # 训练入口 ├── detect.py # 推理入口 ├── export.py # 导出 ONNX / TorchScript └── requirements.txt # 依赖清单注意 cfg 目录下会同时存在 yolov7.yaml 和 deploy/yolov7.yaml前者带辅助训练头后者不带。**训练用带辅助头的配置推理/导出用不带辅助头的配置**这就是源码里“双向与单向”的区别很多人第一次跑会在这里栽跟头。 ### 1.2 依赖环境与版本选择 requirements.txt 里一般会写 torch1.7.0、opencv-python、numpy、matplotlib、pyyaml 这些基础项。我的建议是 | 组件 | 推荐版本区间 | 备注 | |---|---|---| | Python | 3.8 ~ 3.10 | 3.11 以上个别依赖编译容易出问题 | | PyTorch | 1.9 ~ 2.0 | 2.x 也能跑但要看源码里 torch.onnx.export 的兼容性 | | CUDA | 11.3 ~ 11.8 | 显存 8G 以下建议 11.3显存占用略低 | | opencv-python | 4.5 ~ 4.8 | 高版本注意 cv2.dnn 的 API 变化 | 安装时用清华源会快很多 bash pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple1.3 嵌入式部署场景的裁剪思路如果你打算把 yolov7 部署到 Jetson 这类嵌入式设备上源码里cfg/deploy/yolov7-tiny.yaml是更现实的选择。它把通道数和深度因子都压了下来典型做法是把width_multiple从 1.0 降到 0.25 或 0.5。这一步改动直接影响后续导出 ONNX 后的模型体积我见过不少项目因为没提前裁剪导出的引擎文件超了目标板子的内存上限。2. 数据集组织与训练全流程复现数据集格式是源码能否顺利衔接的分水岭。yolov7 默认读取的是 YOLO 格式的 txt 标注每行一个目标格式为class x_center y_center width height而不是 VOC 的 xml。源码里没有自带标注工具但配套的数据转换思路是固定的。2.1 从 VOC 到 YOLO 的标注转换如果你的标注是 xml转换逻辑不复杂核心是把xmin/xmax归一化成中心点坐标import xml.etree.ElementTree as ET def convert_voc_to_yolo(xml_path, out_dir, class_names): tree ET.parse(xml_path) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) with open(out_dir .txt, w) as f: for obj in root.iter(object): cls obj.find(name).text if cls not in class_names: continue xmlbox obj.find(bndbox) xmin float(xmlbox.find(xmin).text) ymin float(xmlbox.find(ymin).text) xmax float(xmlbox.find(xmax).text) ymax float(xmlbox.find(ymax).text) x_center (xmin xmax) / 2 / img_w y_center (ymin ymax) / 2 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h f.write(f{class_names.index(cls)} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n)这段脚本里class_names的顺序必须和data/custom.yaml里的names列表完全一致否则训练出的类别标签会错位这是个低级但高频的错误。2.2 数据集目录结构与 yaml 配置标准目录结构dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ ├── train.txt # 训练图片绝对路径列表 └── val.txt # 验证图片绝对路径列表对应的data/custom.yamltrain: dataset/train.txt val: dataset/val.txt nc: 3 names: [person, car, bicycle]nc是类别数names是类别名这两个错了后面 mAP 计算全乱。2.3 训练命令与关键参数说明源码根目录执行python train.py --workers 4 --device 0 --batch-size 8 --data data/custom.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights --name yolov7_custom --epochs 100参数逐项拆解--device 0指定 GPU 编号CPU 训练要写cpu但速度会慢一个数量级。--batch-size 8显存 8G 以下建议 416G 可以尝试 16不是越大越好batch 太大容易提前过拟合。--img 640 640训练尺寸和验证尺寸。注意训练尺寸必须是 32 的倍数yolov7 的下采样倍率是 32不是 32 的倍数会直接报错。--cfg cfg/training/yolov7.yaml带辅助训练头的训练配置不要和部署配置混用。--weights 空字符串表示从零训练也可以填yolov7.pt做迁移学习。训练过程中重点盯两个指标Box损失曲线正常情况是震荡下降如果 20 个 epoch 内 loss 反而上升先检查学习率。mAP0.5一般在 50 个 epoch 后进入快速爬升期如果全程低于 0.3多半是数据问题而不是模型问题。3. yolov7 调优实战锚框、mosaic 与显存控制训练流程跑通只是起点真正决定项目质量的是调优阶段。这一节我挑三个最常出问题的点讲。3.1 自动锚框重算yolov7 源码里有个被忽略的功能utils/autoanchor.py会基于你的数据集重新计算锚框尺寸。新数据集的目标尺寸分布和 COCO 差异很大时不重算锚框会导致 recall 上不去。重算锚框python utils/autoanchor.py --cfg cfg/training/yolov7.yaml --data data/custom.yaml它会输出新的锚框参数并建议你更新yolov7.yaml里的anchors字段。跑这个脚本之前先确认你的训练集标注里没有“零面积”或“超出图片边界”的框否则算出来全是脏数据。3.2 mosaic 数据增强与显存溢出的妥协yolov7 默认开启 mosaic用 4 张图拼成一张对小目标检测效果明显但代价是显存占用直接翻倍。8G 显存跑--batch-size 8很容易 OOM常见做法是python train.py --batch-size 8 --img 640 640 --data data/custom.yaml --cfg cfg/training/yolov7.yaml --rect加--rect开关它会把长宽比相近的图片分到一个 batch显著降低 padding 带来的显存浪费。实测 8G 显存下--rect能让 batch size 从 6 提到 10 而不爆显存。如果还不行就是 mosaic 的问题了源码里没直接提供关闭参数但可以在utils/datasets.py里把 mosaic 概率的随机分支注释掉# 在 LoadImagesAndLabels.__getitem__ 中找到 # if random.random() self.mosaic: # ... # 把概率改成 0 即可关闭代价是训练速度下降因为每张图都需要独立加载和增强。3.3 训练不收敛的日志定位三板斧遇到 loss 卡住不动我会按顺序排查看损失是否直接爆掉如果前面 3 个 epoch 内lossnan基本是学习率太高或标注里有空文件。把--lr从默认 0.01 降到 0.001 重试。看 recall 是否为 0训练日志里如果Recall一直是 0说明标注坐标归一化出了问题多半是宽高被写成了 0 或者类别索引越界。画特征图验证 data pipeline写一个最简单的脚本读一张训练图打出来看标注框是否对齐python -c from utils.datasets import LoadImagesAndLabels; dLoadImagesAndLabels(data/custom.yaml, 640); im, lb, _d[0]; print(lb[:5])如果输出的坐标集中在0~1之外标注格式就是错的。4. 把 yolov7 推理封装成可复用模块训练和验证都没问题之后接下来不是写死一个detect.py就完事而是把推理代码整理成可以嵌入其他程序的模块。这一步对毕设来说是答辩时“系统展示”环节的加分项。4.1 写一个 Detector 类detect.py本身是面向命令行的直接 import 会拖泥带水。我一般会重新封装成类import torch import cv2 import numpy as np class YOLOv7Detector: def __init__(self, weightsruns/train/exp/weights/best.pt, device0, conf_thres0.25, iou_thres0.45): self.device device if device ! cpu else cpu self.model torch.load(weights, map_locationself.device)[model].float().eval() self.conf_thres conf_thres self.iou_thres iou_thres self.stride int(self.model.stride.max()) def preprocess(self, img): # 保持宽高比缩放不足部分用 114 灰色填充 h, w img.shape[:2] r min(1.0, 640 / max(h, w)) new_w, new_h int(w * r // 32 * 32), int(h * r // 32 * 32) img_resized cv2.resize(img, (new_w, new_h)) canvas np.full((new_h, new_w, 3), 114, dtypenp.uint8) canvas[:new_h, :new_w] img_resized return canvas, r def detect(self, img): canvas, r self.preprocess(img) tensor torch.from_numpy(canvas.transpose(2,0,1)).unsqueeze(0).float() / 255.0 with torch.no_grad(): pred self.model(tensor)[0] # 后处理 NMS 省略返回 boxes, scores, class_ids return self.postprocess(pred, r)这个类的价值在于调用方只需要关心detect(img)的输入输出不需要知道模型细节。封装完成后摄像头检测、批量图片检测、接口服务都能复用同一个实例。4.2 批量推理的显存复用批量处理图片时不要循环调用detect()因为每次调用都会触发一次前向传播和显存分配。常见做法是一次凑足一个 batchimages [cv2.imread(p) for p in img_paths[:8]] tensors [self.preprocess(im)[0] for im in images] batch torch.stack(tensors) / 255.0 with torch.no_grad(): pred self.model(batch)[0]显存占用和单张几乎一样但吞吐量是接近 8 倍这在嵌入式设备上差别非常大。4.3 导出 ONNX 时的验证技巧源码自带的export.py可以直接导出 ONNXpython export.py --weights runs/train/exp/weights/best.pt --img-size 640 640 --batch 1导出后必须用onnxruntime验证输出一致性import onnxruntime as ort import torch sess ort.InferenceSession(best.onnx) ort_out sess.run(None, {images: input_numpy}) torch_out model(input_tensor)[0].numpy() print(np.max(np.abs(ort_out[0] - torch_out))) # 小于 1e-3 才是正常的如果差异大于1e-2说明导出时模型带了训练头需要换cfg/deploy/yolov7.yaml重新加载权重再导出。这一步是部署到嵌入式环境如 NVIDIA Jetson 的 TensorRT前必须做的一致性检查也是整个项目源码落地到实际场景前的最后一道坎。p a hrefhttps://download.csdn.net/download/chengxuyuanlaow/88441675 stylecolor:#ec7500;font-size:14px; 本文还有配套的精品资源点击获取 /a img altmenu-r.4af5f7ec.gif srchttps://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif stylewidth:16px;margin-left:4px;vertical-align:text-bottom;cursor:text; /p YOLOv7源码实战：训练前必改的配置与调优要点
简介基于半监督学习训练YOLOv7的完整课程设计项目面向深度学习与计算机视觉方向的高校学生可作为课程设计或期末大作业直接使用。项目已通过导师指导并获得97分高分包含源码与全部数据下载后无需修改即可运行。压缩包共36个文件以26个Python脚本为主体涵盖半监督数据加载、半监督训练、网络构建、预测推理与mAP评估等核心模块另含XML配置、TXT说明、示例图片及版本控制文件整体大小仅525KB便于快速学习与二次开发。项目中网络结构、数据处理与训练工具分层组织并附依赖清单和训练入口便于快速复现整个半监督目标检测流程。目前已有250人浏览学习。借助该资源使用者可系统了解半监督学习在目标检测任务中的落地方式掌握从数据标注、锚框计算到模型训练与效果验证的完整流程为相关课题研究提供可直接复用的工程参考。# 拿到一套 yolov7 完整项目源码后我建议你先改这几个地方再跑训练 先说一个反直觉的结论对多数做毕业设计或中小型视觉项目的人来说跑通 yolov7 并不是最难的一步最难的是“从头拼出一个能训练、能推理、能改数据集、还能在嵌入式设备上部署的完整闭环”。这份 yolov7 项目完整源码正好把主干检测模型、训练脚本、推理脚本、数据处理工具链都整合到了一起拿到的第一反应不该是直接开训而是先看清它的目录结构和调用关系。这篇文章我会按“选型依据 → 环境与数据准备 → 训练参数 → 调优排坑 → 工程化封装”的顺序把源码里最值得抠的细节展开讲适合正在做目标检测毕设、或者想快速把 yolov7 部署到实际场景的开发者。 ## 1. yolov7 网络选型与配套工具链梳理 拿到源码包之后先别急着装环境我一般会花半小时把目录结构看一遍。yolov7 的核心竞争力不在“层数多”而在它提出的 E-ELAN 结构和辅助训练头auxiliary head。E-ELAN 的作用是让梯度在跨层特征融合时传递更顺畅翻译成工程语言就是**在相同算力预算下yolov7 能把精度堆得比同代模型更高而且推理速度不掉链子**。这对毕业设计尤其重要——因为很多答辩场景会现场跑 demo帧率和显存占用都是要拿出来说事的。 ### 1.1 源码目录功能拆分 一份能跑的 yolov7 源码目录结构通常长这样yolov7-main/ ├── cfg/ # 模型结构配置deploy/yolov7.yaml 或 yolov7.yaml ├── data/ # 数据集 yaml、类别文件 ├── models/ # 网络模块定义 common.py、yolo.py ├── utils/ # 数据处理、损失函数、指标计算 ├── train.py # 训练入口 ├── detect.py # 推理入口 ├── export.py # 导出 ONNX / TorchScript └── requirements.txt # 依赖清单注意 cfg 目录下会同时存在 yolov7.yaml 和 deploy/yolov7.yaml前者带辅助训练头后者不带。**训练用带辅助头的配置推理/导出用不带辅助头的配置**这就是源码里“双向与单向”的区别很多人第一次跑会在这里栽跟头。 ### 1.2 依赖环境与版本选择 requirements.txt 里一般会写 torch1.7.0、opencv-python、numpy、matplotlib、pyyaml 这些基础项。我的建议是 | 组件 | 推荐版本区间 | 备注 | |---|---|---| | Python | 3.8 ~ 3.10 | 3.11 以上个别依赖编译容易出问题 | | PyTorch | 1.9 ~ 2.0 | 2.x 也能跑但要看源码里 torch.onnx.export 的兼容性 | | CUDA | 11.3 ~ 11.8 | 显存 8G 以下建议 11.3显存占用略低 | | opencv-python | 4.5 ~ 4.8 | 高版本注意 cv2.dnn 的 API 变化 | 安装时用清华源会快很多 bash pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple1.3 嵌入式部署场景的裁剪思路如果你打算把 yolov7 部署到 Jetson 这类嵌入式设备上源码里cfg/deploy/yolov7-tiny.yaml是更现实的选择。它把通道数和深度因子都压了下来典型做法是把width_multiple从 1.0 降到 0.25 或 0.5。这一步改动直接影响后续导出 ONNX 后的模型体积我见过不少项目因为没提前裁剪导出的引擎文件超了目标板子的内存上限。2. 数据集组织与训练全流程复现数据集格式是源码能否顺利衔接的分水岭。yolov7 默认读取的是 YOLO 格式的 txt 标注每行一个目标格式为class x_center y_center width height而不是 VOC 的 xml。源码里没有自带标注工具但配套的数据转换思路是固定的。2.1 从 VOC 到 YOLO 的标注转换如果你的标注是 xml转换逻辑不复杂核心是把xmin/xmax归一化成中心点坐标import xml.etree.ElementTree as ET def convert_voc_to_yolo(xml_path, out_dir, class_names): tree ET.parse(xml_path) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) with open(out_dir .txt, w) as f: for obj in root.iter(object): cls obj.find(name).text if cls not in class_names: continue xmlbox obj.find(bndbox) xmin float(xmlbox.find(xmin).text) ymin float(xmlbox.find(ymin).text) xmax float(xmlbox.find(xmax).text) ymax float(xmlbox.find(ymax).text) x_center (xmin xmax) / 2 / img_w y_center (ymin ymax) / 2 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h f.write(f{class_names.index(cls)} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n)这段脚本里class_names的顺序必须和data/custom.yaml里的names列表完全一致否则训练出的类别标签会错位这是个低级但高频的错误。2.2 数据集目录结构与 yaml 配置标准目录结构dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ ├── train.txt # 训练图片绝对路径列表 └── val.txt # 验证图片绝对路径列表对应的data/custom.yamltrain: dataset/train.txt val: dataset/val.txt nc: 3 names: [person, car, bicycle]nc是类别数names是类别名这两个错了后面 mAP 计算全乱。2.3 训练命令与关键参数说明源码根目录执行python train.py --workers 4 --device 0 --batch-size 8 --data data/custom.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights --name yolov7_custom --epochs 100参数逐项拆解--device 0指定 GPU 编号CPU 训练要写cpu但速度会慢一个数量级。--batch-size 8显存 8G 以下建议 416G 可以尝试 16不是越大越好batch 太大容易提前过拟合。--img 640 640训练尺寸和验证尺寸。注意训练尺寸必须是 32 的倍数yolov7 的下采样倍率是 32不是 32 的倍数会直接报错。--cfg cfg/training/yolov7.yaml带辅助训练头的训练配置不要和部署配置混用。--weights 空字符串表示从零训练也可以填yolov7.pt做迁移学习。训练过程中重点盯两个指标Box损失曲线正常情况是震荡下降如果 20 个 epoch 内 loss 反而上升先检查学习率。mAP0.5一般在 50 个 epoch 后进入快速爬升期如果全程低于 0.3多半是数据问题而不是模型问题。3. yolov7 调优实战锚框、mosaic 与显存控制训练流程跑通只是起点真正决定项目质量的是调优阶段。这一节我挑三个最常出问题的点讲。3.1 自动锚框重算yolov7 源码里有个被忽略的功能utils/autoanchor.py会基于你的数据集重新计算锚框尺寸。新数据集的目标尺寸分布和 COCO 差异很大时不重算锚框会导致 recall 上不去。重算锚框python utils/autoanchor.py --cfg cfg/training/yolov7.yaml --data data/custom.yaml它会输出新的锚框参数并建议你更新yolov7.yaml里的anchors字段。跑这个脚本之前先确认你的训练集标注里没有“零面积”或“超出图片边界”的框否则算出来全是脏数据。3.2 mosaic 数据增强与显存溢出的妥协yolov7 默认开启 mosaic用 4 张图拼成一张对小目标检测效果明显但代价是显存占用直接翻倍。8G 显存跑--batch-size 8很容易 OOM常见做法是python train.py --batch-size 8 --img 640 640 --data data/custom.yaml --cfg cfg/training/yolov7.yaml --rect加--rect开关它会把长宽比相近的图片分到一个 batch显著降低 padding 带来的显存浪费。实测 8G 显存下--rect能让 batch size 从 6 提到 10 而不爆显存。如果还不行就是 mosaic 的问题了源码里没直接提供关闭参数但可以在utils/datasets.py里把 mosaic 概率的随机分支注释掉# 在 LoadImagesAndLabels.__getitem__ 中找到 # if random.random() self.mosaic: # ... # 把概率改成 0 即可关闭代价是训练速度下降因为每张图都需要独立加载和增强。3.3 训练不收敛的日志定位三板斧遇到 loss 卡住不动我会按顺序排查看损失是否直接爆掉如果前面 3 个 epoch 内lossnan基本是学习率太高或标注里有空文件。把--lr从默认 0.01 降到 0.001 重试。看 recall 是否为 0训练日志里如果Recall一直是 0说明标注坐标归一化出了问题多半是宽高被写成了 0 或者类别索引越界。画特征图验证 data pipeline写一个最简单的脚本读一张训练图打出来看标注框是否对齐python -c from utils.datasets import LoadImagesAndLabels; dLoadImagesAndLabels(data/custom.yaml, 640); im, lb, _d[0]; print(lb[:5])如果输出的坐标集中在0~1之外标注格式就是错的。4. 把 yolov7 推理封装成可复用模块训练和验证都没问题之后接下来不是写死一个detect.py就完事而是把推理代码整理成可以嵌入其他程序的模块。这一步对毕设来说是答辩时“系统展示”环节的加分项。4.1 写一个 Detector 类detect.py本身是面向命令行的直接 import 会拖泥带水。我一般会重新封装成类import torch import cv2 import numpy as np class YOLOv7Detector: def __init__(self, weightsruns/train/exp/weights/best.pt, device0, conf_thres0.25, iou_thres0.45): self.device device if device ! cpu else cpu self.model torch.load(weights, map_locationself.device)[model].float().eval() self.conf_thres conf_thres self.iou_thres iou_thres self.stride int(self.model.stride.max()) def preprocess(self, img): # 保持宽高比缩放不足部分用 114 灰色填充 h, w img.shape[:2] r min(1.0, 640 / max(h, w)) new_w, new_h int(w * r // 32 * 32), int(h * r // 32 * 32) img_resized cv2.resize(img, (new_w, new_h)) canvas np.full((new_h, new_w, 3), 114, dtypenp.uint8) canvas[:new_h, :new_w] img_resized return canvas, r def detect(self, img): canvas, r self.preprocess(img) tensor torch.from_numpy(canvas.transpose(2,0,1)).unsqueeze(0).float() / 255.0 with torch.no_grad(): pred self.model(tensor)[0] # 后处理 NMS 省略返回 boxes, scores, class_ids return self.postprocess(pred, r)这个类的价值在于调用方只需要关心detect(img)的输入输出不需要知道模型细节。封装完成后摄像头检测、批量图片检测、接口服务都能复用同一个实例。4.2 批量推理的显存复用批量处理图片时不要循环调用detect()因为每次调用都会触发一次前向传播和显存分配。常见做法是一次凑足一个 batchimages [cv2.imread(p) for p in img_paths[:8]] tensors [self.preprocess(im)[0] for im in images] batch torch.stack(tensors) / 255.0 with torch.no_grad(): pred self.model(batch)[0]显存占用和单张几乎一样但吞吐量是接近 8 倍这在嵌入式设备上差别非常大。4.3 导出 ONNX 时的验证技巧源码自带的export.py可以直接导出 ONNXpython export.py --weights runs/train/exp/weights/best.pt --img-size 640 640 --batch 1导出后必须用onnxruntime验证输出一致性import onnxruntime as ort import torch sess ort.InferenceSession(best.onnx) ort_out sess.run(None, {images: input_numpy}) torch_out model(input_tensor)[0].numpy() print(np.max(np.abs(ort_out[0] - torch_out))) # 小于 1e-3 才是正常的如果差异大于1e-2说明导出时模型带了训练头需要换cfg/deploy/yolov7.yaml重新加载权重再导出。这一步是部署到嵌入式环境如 NVIDIA Jetson 的 TensorRT前必须做的一致性检查也是整个项目源码落地到实际场景前的最后一道坎。p a hrefhttps://download.csdn.net/download/chengxuyuanlaow/88441675 stylecolor:#ec7500;font-size:14px; 本文还有配套的精品资源点击获取 /a img altmenu-r.4af5f7ec.gif srchttps://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif stylewidth:16px;margin-left:4px;vertical-align:text-bottom;cursor:text; /p