从0开始深度学习第一步，如何让 YOLOv5 起飞：配置环境并成功运行目标检测

从0开始深度学习第一步，如何让 YOLOv5 起飞：配置环境并成功运行目标检测

一、环境准备

第一步：安装anaconda

安装Anaconda和Git 在开始配置环境之前，我们需要安装Anaconda和Git。Anaconda是一个流行的Python发行版，其中包含了很多科学计算和机器学习所需的包和库，而Git则是一个版本控制系统，可以帮助我们方便地下载和管理yolov5的代码。

anaconda官网：https://www.anaconda.com/products/individual

注意：安装过程中会询问是否将Anaconda加入环境变量，选择默认的“Add Anaconda to my PATH environment variable”。

验证是否安装成功：可以打开Anaconda Navigator来确认是否安装成功。

第二步 ：安装Git

官网下载git并根据系统进行安装，git官网：https://git-scm.com/downloads

验证是否安装成功：

git --version

如果出现类似于下面的信息，则说明Git安装成功：

git version 2.33.0.windows.2

第三步：创建conda虚拟环境

在安装好Anaconda和Git之后，我们需要创建一个虚拟环境，以避免与现有环境产生冲突。可以使用以下命令来创建一个名为yolov5的虚拟环境：

conda create --name yolov5 python=3.8

激活conda虚拟环境

虚拟环境创建好之后，需要激活环境才能使用。可以使用以下命令来激活刚刚创建的yolov5虚拟环境：

conda activate yolov5

第四步：克隆YOLOv5代码库

现在，我们需要使用Git从yolov5的代码库中下载代码。可以使用以下命令来克隆代码库：

git clone https://github.com/ultralytics/yolov5.git

接下来我们需要安装依赖项，yolov5的代码库包含了一个名为requirements.txt的文件，其中列出了所有的依赖项。可以使用以下命令来安装所有的依赖项：

pip install -r requirements.txt

此时的下载速度可能会比较慢，此时就要**添加镜像源，**例如使用清华镜像源，在pip命令后面添加-i参数：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple

第五步：安装pytorch

打开Anaconda Prompt（Windows）或终端（Mac/Linux），输入以下命令：

conda install pytorch torchvision torchaudio -c pytorch

或者通过pip安装

pip install torch torchvision torchaudio

验证安装是否成功,在Python中使用import torch来测试

import torch
print(torch.__version__)

第六步：安装pycharm以及配置环境变量

安装符合版本的pycharm：官网链接：https://www.jetbrains.com/pycharm/download/

在 PyCharm 中使用 YOLOv5，首先需要将 YOLOv5 的路径添加到环境变量中。在 Windows 操作系统中，可以通过以下步骤添加环境变量：

1. 右键点击“此电脑”，选择“属性”。
2. 点击“高级系统设置”。
3. 点击“环境变量”。
4. 在“系统变量”中找到“Path”，并点击“编辑”。
5. 在“编辑环境变量”窗口中，点击“新建”，然后输入 YOLOv5 的路径。例如，如果 YOLOv5 的路径为“C:\YOLOv5”，则输入“C:\YOLOv5”。
6. 点击“确定”关闭所有窗口。

在 PyCharm 中配置环境变量，按照以下步骤进行操作：

1. 打开 PyCharm。
2. 点击“File” > “Settings”（Windows 或 Linux）或“PyCharm” > “Preferences”（macOS）。
3. 在左侧面板中，选择“Project” > “Project Interpreter”。
4. 在右侧面板中，点击“Add”按钮（有一个“+”号）。
5. 在“Add Python Interpreter”窗口中，选择“System Interpreter”。
6. 点击“Next”。
7. 在“Interpreter”窗口中，点击“Show All”。
8. 在“Show paths for the selected interpreter”下拉列表中，选择“Environment”。
9. 点击“+”添加一个新的环境变量，然后输入“YOLOv5”的路径。
10. 点击“OK”。

第七步：训练模型

YOLOv5中自带有数据集，在安装好所有的依赖后，在YOLOv5的文件夹中，选择train.py开始训练

训练后结果保留在runs当中

第八步：训练自己的数据

如果需要训练自己的数据，就需要准备自己的数据集，可以将数据集放置在yolov5/data目录下，并在data目录下创建一个名为custom的文件夹，其中包含train、val、test三个文件夹。train、val、test分别存放着训练、验证和测试集的数据。

在YOLOv5的readme当中，有具体的使用文档，可以按照文档进行操作，不在赘述。

训练模型使用的具体命令：

python train.py --img 640 --batch 16 --epochs 50 --data data/custom.yaml --cfg models/yolov5s.yaml --weights '' --name yolov5s_results

训练好模型之后，我们可以使用以下命令来对一张图片进行目标检测：

python detect.py --weights runs/train/yolov5s_results/weights/best.pt --img 640 --conf 0.4 --source path/to/your/image.jpg

以上便是从0开始配置yolov5环境以及让其起飞的完整步骤了。