yoloV5 自整理完全安装运行教程

1、安装环境

OS:              Win10 专业 x64 显卡：英伟达mx250   CUDA版本10.1
Python:      Python 3.7.7（通过Anaconda软件自带安装）
Anaconda: Anaconda3-2020.02-Windows-x86_64.exe 【这个版本自带的python是3.7.7】
CUDA:        cuda_10.1.105_418.96_windows.exe  ，根据操作系统不同，可以在线选择不同版本下载，界面网址为下载地址 【我原先用的是10.2，后面有图片不一致的请原谅】

CUDNN：cudnn-10.1-windows10-x64-v8.0.4.30.zip

Pytorch：官方是Pytorch在线指令安装，建议参考我后面的离线手动安装，速度比较快。（依赖中的pycocotools库  需要：  Microsoft C++ 生成工具 见文章末尾）

Pycharm：pycharm-community-2021.1.3.exe,开发工具，社区免费版，下载后，自行一路默认安装。（非必要）notepad++也能写

 2、Anaconda安装过程

1.选择安装路径：C:\ProgramData\Anaconda3

2.勾选两个：选择添加环境变量，设置Anaconda3自带的Python3.7的为系统默认环境。

修改anaconda源地址为清华源：file   -》 preferences  -》  configure conda 粘贴：

channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
- defaults
show_channel_urls: true

然后创建一个loyov5虚拟环境 默认python选3.7    （3.9我没试过）

3、CUDA安装过程

1.CUDA下载

百度搜索CUDA download，进入官方下载页面，选择适合的操作系统和install type:(local的exe)，具体网址为下载地址。

 2、双击安装

检查通过的话，选中需要的Visual Studio 环境，进入安装环节。（万一安装失败，请卸载干净后，重启系统，重新安装。）

如果过安装不上那么：取消勾选GeForce Experience

如果电脑上本身就有Visual Studio Integration，要将这个取消勾选，避免冲突了

点开Driver comonents，Display Driver这一行，前面显示的是Cuda本身包含的驱动版本是411.31

如果你电脑目前安装的驱动版本号新于Cuda本身自带的驱动版本号，那一定要把这个勾去掉。否则会安装失败(相同的话，也不用去勾选)只选CUDA不然会失败

CUDA的安装位置可以自定义，系统默认是在系统盘C盘，为了方便日后管理，可以安装到非系统盘的其他盘

 

下载安装cudnn增强包：

地址：https://developer.nvidia.com/rdp/cudnn-download

没有账号需要注册账号，账号登录后，找到自己对应的CUDNN版本，点击下载

 

配置CUDNN

解压CUDNN后，将对应的bin、lib、include与CUDA10.1对应的bin、lib、include进行合并。 

安装完CUDA后，CUDA会自动添加到环境变量中

CUPTA和CUDNN还没有加进来，所以必须将它们添加到路径，这样使用Tensorflow的时候才不会报错

手动添加CUPTI和CUDNN的环境变量如下图：

可以对照以下我提供的  系统path，没有的自己加一下：

C:\Program Files (x86)\NVIDIA Corporation\PhysX\Common

C:\Program Files\NVIDIA Corporation\NVIDIA NvDLISR

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\libnvvp

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin

C:\Program Files\NVIDIA Corporation\Nsight Compute 2019.1\

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\CUPTI\lib64

 3.检查cuda是否安装成功

先核实一下，目录C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin下，是否有nvcc.exe文件。

然后在cmd中输入指令： nvcc -V，可以看到我们版本号为Cuda 10.1

查询显卡算力：

进入目录 deviceQuery.exe

>> cd D:\360Downloads\CUDA\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\demo_suite

运行 deviceQuery.exe

>> ./deviceQuery.exe

  

4安装Pytorch

1.首先进入Pytorch下载页面：Start Locally | PyTorch

选择合适的版本10.1，然后拷贝命令：

pip3 install pytorch torchvision torchaudio cudatoolkit=10.1 -c pytorch

更新conda版本

 pip3 update -n base -c defaults conda

2、手动下载安装包

下载地址：

Index of /anaconda/pkgs/main/win-64/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror（稳定，只需要下载conda文件）

Index of /anaconda/cloud/pytorch/win-64/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror （最新，只能下载tar.bz2文件）

main/win-64(官网)

Pytorch 10.1具体下载安装包列表：

cudatoolkit        pkgs/main/win-64::cudatoolkit-10.1.243-h74a9793_0           下载：cudatoolkit-10.1.243-h74a9793_0.tar.bz2
libuv       pkgs/main/win-64::libuv-1.40.0-he774522_0      速度快，可以自动安装
ninja     pkgs/main/win-64::ninja-1.10.1-py37h7ef1ec2_0                  速度快，可以自动安装
pytorch    pytorch/win-64::pytorch-1.7.0-py3.7_cuda101_cudnn7_0     下载：pytorch-1.7.0-py3.7_cuda101_cudnn7_0.tar.bz2
torchaudio         pytorch/win-64::torchaudio-0.7.0-py37     下载：torchaudio-0.7.0-py37.tar.bz2
torchvision pytorch/win-64::torchvision-0.8.1-py37_cu101  torchvision-0.8.1-py37_cu101.tar.bz2
typing_extensions  pkgs/main/noarch::typing_extensions-3.7.4.3-py_0         速度快，可以自动安装

3.拷贝至指定路径下：C:\ProgramData\Anaconda3\pkgs

4.然后手动离线，按顺序安装下载包。

以管理身份打开cmd，输入cmd C:\ProgramData\Anaconda3\pkgs，进入安装包目录。然后按照顺序安装下载包

pip install --use-local pytorch-1.7.0-py3.7_cuda101_cudnn7_0.tar.bz2

pip install --use-local torchvision-0.8.1-py37_cu101.tar.bz2          

pip install --use-local torchaudio-0.7.0-py37.tar.bz2

pip install --use-local cudatoolkit-10.1.243-h74a9793_0.tar.bz2

 安装成功结果：

5. 执行pytorch安装总指令，检查一遍是否完全安装

执行pytorch安装总指令，检查一遍是否完全安装。

pip3 install pytorch torchvision torchaudio cudatoolkit=10.1 -c pytorch (红色-c pytorch 去掉，免得从镜像上重新下载)

pip3 install pytorch torchvision torchaudio cudatoolkit=10.1

6. 验证pytorch是否安装成功

在开始菜单中，打开 Python控制台。

（1）输入 import torch，如果没有报错，意味着 PyTorch 已经顺利安装了（我的笔记本win10 home版本系统缺少VC_redist.64.exe，安装后也解决）

（2）接下来，输入 torch.cuda.is_available，如果是 True，意味着你可以使用 GPU，如果是 False，意味着只能使用CPU。

各种参考地址：

【深度学习】Windows安装Pycocotools（Microsoft Visual C++ 14.0 or greater is required.报错提示解决方案） - 码农教程

Win10 + CUDA10.1+pytorch手动安装_三世的博客-CSDN博客

Anaconda详细安装及使用教程（带图文）_代码帮的博客-CSDN博客_anaconda

三步解决error: Microsoft Visual C++ 14.0 or greater is required. Get it with “Microsoft C++ Build Tools“_苦茶_ch066613的博客-CSDN博客

Windows下PyTorch1.5的下载安装_柠檬小姐很甜的博客-CSDN博客_windows 安装pytorch

CUDA、CUDNN在windows下的安装及配置_花花少年的博客-CSDN博客_cudnn

Windows下cuDNN7.6.4下载安装详细步骤_柠檬小姐很甜的博客-CSDN博客_cudnn 下载

Windows下载安装cuda10.1详细步骤_柠檬小姐很甜的博客-CSDN博客_cuda10.1安装

Anaconda下载以及anaconda安装软件包的速度过慢解决办法_opencv_fjc的博客-CSDN博客_anaconda安装慢

图像识别---Windows下anaconda和yolov5安装配置及简单使用_玫瑰花店的博客-CSDN博客_yolo图像识别

本机pip list已安装库列表：

absl-py                 1.0.0

cachetools              4.2.4

certifi                 2021.10.8

charset-normalizer      2.0.12

colorama                0.4.4

cycler                  0.11.0

Cython                  0.29.21

fonttools               4.33.3

future                  0.18.2

google-auth             1.35.0

google-auth-oauthlib    0.4.6

grpcio                  1.45.0

idna                    3.3

importlib-metadata      4.11.3

kiwisolver              1.4.2

Markdown                3.3.6

matplotlib              3.3.2

numpy                   1.21.6

oauthlib                3.2.0

opencv-python           4.4.0.46

packaging               21.3

pandas                  1.3.5

Pillow                  9.1.0

pip                     22.0.4

protobuf                3.20.1

pyasn1                  0.4.8

pyasn1-modules          0.2.8

pycocotools             2.0.4

pyparsing               3.0.8

python-dateutil         2.8.2

pytz                    2022.1

PyYAML                  5.3.1

requests                2.27.1

requests-oauthlib       1.3.1

rsa                     4.8

scipy                   1.5.2

seaborn                 0.11.0

setuptools              62.1.0

six                     1.16.0

tensorboard             2.9.0

tensorboard-data-server 0.6.1

tensorboard-plugin-wit  1.8.1

thop                    0.0.31.post2005241907

torch                   1.11.0

torchaudio              0.7.0

torchvision             0.12.0

tqdm                    4.54.0

typing_extensions       4.2.0

urllib3                 1.26.9

Werkzeug                2.1.2

wheel                   0.37.1

zipp                    3.8.0

YOLO V5 使用:

第一步：从github下载压缩包

https://github.com/ultralytics/yolov5

如果英语看着费劲，可以参考这个博主的汉化版 ：https://github.com/wudashuo/yolov5

下载好zip压缩包，解压之后放入一个工程目录，准备开始第二步。

第二步：下载依赖

首先，在anaconda中创建环境。

打开anaconda的命令行

创建环境名 比如叫yolov5

pip3 create -n yolov5

进入anaconda环境

activate yolov5demo

然后cd到工程目录下面

开始下载环境所需的依赖了。

然后输入命令
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple，

等待pip自动下载所需要的依赖。-i 参数是从清华镜像中下载依赖包，如果不加，则从国外源下载，不仅速度慢，还容易下载失败。

当所有依赖下载完成，可以开始第三步了。

第三步：下载权重文件

在Releases · ultralytics/yolov5 · GitHub中下载4个权重文件，放到工程路径下的weights文件夹中。

一般这四个就够用了，s是最小的，速度最快，但是精度不高。

第四步 测试detect.py

在工程文件在运行cmd。
然后输入python detect.py --source 0 --weights=“weights/yolov5s.pt” (如果设备有摄像头）
或者python detect.py --source=“data/images/bus.jpg” --weights=“weights/yolov5s.pt”(设备没有摄像头）
前者会打开摄像头并实时探测物品，后者将用工程自带的一张测试图片进行测试。运行结束后，会打印结果文件的位置。在这个位置中可以找到测试结果。

结束摄像头进程 按ctrl+c即可，runs文件夹下有检测的结果。

第五步 制作自己的数据集–下载LabelImg

任意位置运行cmd,然后 pip install LabelImg -i https://pypi.tuna.tsinghua.edu.cn/simple
下载安装完成后运行cmd，输入LabelImg，打开程序。

第六步 制作自己的数据集–打标签

把准备好的图片放到一个文件夹中，在LabelImg中打开这个文件夹。然后设置标签文件输出位置（change save Dir)。不要放在与图片相同的位置就行。然后对每张图片画框打标签。按w键可以画框，画完框后，就会弹出对话框，然后在对话框上写上标签名就行（这步工作就是说明图片上这个位置是什么东西）。打完标签后，你就得到两个文件夹。图片和标签。在标签文件夹中，你还得到了一个classes.txt文件。这个文件记录了数据集中所有类别。标签文件中记录的是引索。需要通过这个classes.txt文件才能知道对应的物品名称。图片和标签两个文件夹中的文件一一对应，它们名字相同，后缀名不同。然后你需要把数据分为训练集和测试集，比例要适中。
此时，你拥有4个文件夹和一个class.txt文件。

1. 1. train图片
   2. train标签（与train 图片一一对应，名字相同，后缀不同）
   3. test图片
   4. test标签 （与test 图片一一对应，名字相同，后缀不同)

第七步 把自己的数据集转移到yolov5工程目录

在工程目录下找到data文件夹，在这个文件夹里新建一个文件夹。可以任意命名（为方便说明，这里用命名为mydataset。在mydataset下新建两个文件夹。一个命名为images,另一个命名为labels。这两个文件夹名字是规定的，不能随意。然后分别在这两个文件夹下都新建两个文件夹，命名为train,test。

然后把第六步得到的4个文件夹中的文件转移到对应目录中

1. 1. train图片->images/train
   2. train标签->labels/train
   3. test图片->images/test
   4. test标签->labels/test

第七步 调整配置文件

1. 打开工程目录/models/yolov5s.yaml文件（如果训练的是其他模型则打开其他模型的yaml文件），然后把nc改为第六步中classes.txt中类别的数量。（你数据集中标签了多少样东西，这个数字就是几）

2.  打开工程目录/data/coco128.yaml文件。

把train:设置为第六步的train图片的存放位置
　　　　　　把val:设置为第六步的test图片的存放位置
　　　　　　程序会自动搜索labels文件的位置。这也就是第六步为什么要规定图片与标签文件夹名字的原因。这个搜索是通过简单字符串替换实现的

把nc:改为数据集的类别数目（1中的一样）
把names改为类别名称，顺序要和第六步得到的classes.txt中的一样。

第七步 训练权重

命令行切换到工程目录下。运行命令（运行之前确保修改的配置文件都保存好了）
python train.py --img 640 --data data/coco128.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt --batch-size 8 --epochs 50

这些参数根据实际情况进行调整。–cfg 指示用到的模型的配置文件的位置。–weights 指示对应模型权重文件的位置。
在开始训练前。会打印输出的位置。我们会得到训练指标，训练后的两个权重文件（一个是最佳权重，一个是最后一轮训练得到的权重）。

训练完成后，就可以去那个目录查看结果。

第八步 用训练得到的权重进行预测

与第四步一样，不同的是权重文件的位置变了
python detect.py --source 0 --weights=“weights/yolov5s.pt”。改一下权重路径就行。
=>python detect.py --source 0 --weights=“runs\train\exp3\weights\best.pt”
source 参数说明
如果是0，则打开摄像头
如果是图片路径，则对图片进行预测。结果路径会打印
如果是文件夹，则对文件夹中的图片和视频进行预测。
如果是视频，则对视频进行预测。

如果 安装pycocotools报： error: Microsoft Visual C++ 14.0 or greater is required. Get it with "Microsoft C++ Build Tools"  错误的话:

则需要利用  Microsoft C++ 生成工具  去安装组件：适用于v142 的 C++ Clang-cl 生成工具(x64/x86)：

工作负载选：使用C++的桌面开发

安装组件选：适用于v142 的 C++ Clang-cl 生成工具(x64/x86)

在 “单个组件” 中搜索 build

勾选 “适用于v142 的 C++ Clang-cl 生成工具(x64/x86)”

 

 将近6-9个G，慢慢等。

另外貌似还可以安装 微软常用运行库解决，不过我没试过

安装成功后再运行 安装一下这个库

pip install pycocotools

最终进入yolov5-master目录里   运行Demo ：  实时检测视频流：

cd C:\Users\lare\Desktop\pythoncode\yolov5-master

python detect.py --source http://devimages.apple.com/iphone/samples/bipbop/bipbopall.m3u8