Anaconda/pytorch/opencv/yolov5图像识别工具的简单安装

目录

一、Anaconda的安装、配置

（一）Anaconda的安装

（二）Anaconda 中选择合适的Python版本创建新环境

二、Open CV的安装和使用

（一）OpenCV的安装及其库的导入

（二）完成Harri和SIFT 角点检测

三、Pytorch的安装

（一）查看显卡配置（非NVIDIA显卡的略过）

（二）设置虚拟环境

（三）下载安装pytorc 

   (四)、检查pytorch是否成功安装 ​

四、YOLOV5的安装与使用

（一）创建虚拟环境

（二）下载Yolov5源码

（三）安装Yolov5所需的模块

（四）下载Yolov5预训练模型

   (五)测试是否安装成功

五、训练自己的数据集

（一）训练自己的数据集

（二）修改相关文件

（三）修改train.py文件

（四）后期使用及其调用

---

一、Anaconda的安装、配置

Anaconda是一个安装、管理Python相关包的软件，还自带Python、Jupyter Notebook、Spyder，有管理包的conda工具。

（一）Anaconda的安装

Anaconda是由Anaconda公司开发和发行的，可以完全免费使用，直接前往其官网Anaconda | The World's Most Popular Data Science Platform下载安装即可。

 

下载完成后单击程序进行安装，遵照其相关提示进行安装即可。注意，在Advanced Options选项中，对于不会配置环境变量的的用户可以勾选上“Add Anaconda to the system PATH environment variable”，进行自动配置环境变量。 

 

安装完成之后，可以通过命令行窗口进行判断是否安装成功，在命令行窗口中输入“conda --version”，如果其显示conda的版本，则说明安装成功。 

（二）Anaconda 中选择合适的Python版本创建新环境

 Anaconda安装时会自带一个Python。直接使用这个Python版本即可。如果需要使用其他版本的Python的版本，可以通过切换虚拟环境实现。

 

 （Anaconda自带的python版本）

• • 现在Anaconda包下找到envs文件夹（如果没有可以创建一个），在其里面新建一个python37文件夹（文件夹的名字可以任意取）
  • 

• • 将你所需要的Python版本的整个安装包复制到第一步所创建的文件夹中
  • 

• • 通过命令行窗口，输入“conda activate python37”切换到你所要的Python版本

（三） 更新包

首先第一步我们可以使用以下命令来修改安装相关python包的原路径因为官方服务器在国外，往往会下载得很慢，国内清华大学提供了Anaconda的镜像仓库，我们把源改为清华大学镜像源。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

然后再输入 以下代码执行更新conda操作

conda update conda

 然后再更新第三方的所有包

conda upgrade --all

二、Open CV的安装和使用

OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android、和Mac OS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

（一）OpenCV的安装及其库的导入

打开命令行窗口，通过pip进行openCv的一个安装。分别在命令行窗口中输入

pip install opencv-python （安装主模块包）和pip install open-contrib-python（安装完整包，包括主模块和附加模块）。

 

如何判断是否已经成功安装opencv呢？打开cmd窗口，输入Python，运行Python环境，再输入import cv2，在通过cv2.__version__来查看其版本号，如果能够正确查询到其版本号，这说明其安装成功。 

 

（二）完成Harri和SIFT 角点检测

①Harris角点检测算法

在安装有opencv的python包下新建一个txt文本文件，在里面编写代码，编写完成后将txt后缀改为py后缀，通过命令行窗口调用运行该python程序即可。

具体实现如下

②SIFT尺度不变特征变换匹配算法实现（同上一样，直接调用OpenCV里面的方法函数实现即可） 

 

 

三、Pytorch的安装

PyTorch的前身是Torch,其底层何Torch的框架一样，但是使用Python重写了很多内容，不仅更加灵活，支持动态图，而且提供了Python接口，它是由Torch7团队开发，是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络。

（一）查看显卡配置（非NVIDIA显卡的略过）

通过在命令行窗口中输入 nvidia-smi进行对显卡配置的查询，清楚自己显卡的CUDA的版本

（二）设置虚拟环境

通过在命令行窗口中输入指令conda create -n pytorch python=3.6进行创建一个pytorch的化案件,并通过指令 conda activate pytorch进入到pytorch环境当中。

（三）下载安装pytorch

打开pytorch官网

关于安装选择配置，如果你是NVIDIA显卡，请在Compute Platform选项中选择比你电脑CUDA版本低的配置，如果非NVIDIA显卡则选择CPU。然后复制Run this Conmand指令到命令行窗口中，在第二步的pytorch环境下执行指令，进行pytorch的安装，等待安装结束即可。 

(四)、检查pytorch是否成功安装

首先在命令行窗口中进入到pytorch环境，然后输入python，再然后输入import torch，如果没有报错，则说明pytorch成功安装。然后可以输入torch.cuda.is_available（）指令，如果其返回True，则说明你可以使用GPU加速,返回false这说明只能使用CPU工作。

 

四、YOLOV5的安装与使用

（一）创建虚拟环境

1. 与上边韦Pytorch创建虚拟环境操作相同

        具体实现指令可以为：

        conda create -n yolov5 python=3.7         //创建虚拟环境

        conda activate yolov5                //进入虚拟环境

（二）下载Yolov5源码

可以通过访问GitHub网站进行一个对Yolov5源码的安装，其地址为GitHub - ultralytics/yolov5: YOLOv5 in PyTorch > ONNX > CoreML > TFLite

 

（三）安装Yolov5所需的模块

在前面所创建的yolov5的虚拟环境下进行Yolov5所需的模块的安装，直接在命令行窗口中直接输入指令pip install -r requirements.txt，等待安装完成即可

（四）下载Yolov5预训练模型

通过下载已经训练好的权重参数数据，可以直接使用，而不需要在本机进行训练。下载地址为Releases · ultralytics/yolov5 · GitHub

 

直接点击超链接下载即可，下载完成后将其移动之前边我们所想下载的yolov5包里面的weights文件夹里边。 

 

 (五)测试是否安装成功

 通过命令行窗口执行yolov5包里面的detect.py文件，如果能够正常运行，则说明安装成功。具体指令可以为 python detect.py –-source 0(本操作需要使用电脑摄像头)

 

五、训练自己的数据集

（一）训练自己的数据集

前期准备：1、你所需要训练的图片集（并将其格式化重命名，以便于后期处理）2、labelimg工具

       Step 1操作：在data包下创建自己所需要训练数据集的文件夹，这里命名为mydata，并在其创建Annotations、images、ImageSets、JPERImages和labels命名的四个空文件夹,ImageSets、imges这两个文件夹装放你训练的图片集,Annotations用来存放图片经labelimag处理后的xml后缀文件。

 

Step 2创建txt文件

在根目录下创建两个python文件，依次运行。这里的两个python文件命名为RUN1、RUN2，RUN2需要依托RUN1运行后所生成的文件运行，故必须要先运行RUN1,在运行RUN2。其代码如下

 

执行成功后其会

1. 1. 1. 在labels下生成图片对应的txt文件
      2. 在ImageSets生成四个txt文件
      3. 在根目录下生成三个txt文件（文件内容为图片的路径）

（二）修改相关文件

在data目录下创建yaml文件，命名任意。其里边内容为

 

1、修改train,val,test的路径为自己刚刚生成的路径

2、 nc 里的数字代表数据集的类别，我这里有消防栓跟口罩一类，所以修改为2

3、. names 里为自己数据集标注的类名称，我这里是‘Mask’和‘fire plug’

修改models模型文件

models下有四个模型，smlx需要训练的时间依次增加，按照需求选择一个文件进行修改即可

这里修改了yolov5s.yaml，只需要将nc的类别修改为自己需要的即可 

（三）修改train.py文件

主要修改这四个地方，修改与之对应即可

最后运行train.py文件即可

（四）后期使用及其调用

训练完成后会生成权重文件best.pt跟test.pt后期需要使用对其进行相关调用即可