YOLOv5项目搭建

前言

前面将pytorch的基础入门之后，继续跟着小土堆学习。本篇内容记录我搭建YOLOv5项目的过程，以及遇到的一些问题与相应的解决方案，方便个人以后查阅，并且希望能够个其他读者带来一些帮助。

1.资源下载

我们先去GitHub中找到YOLOv5的源码，地址：https://github.com/ultralytics/yolov5，我们可以选择不同的版本下载。我是跟这小土堆学习的，选择了与他相同的版本v5.0，小伙伴本也可以下载最新的，好像可以避免一些与你pytorch版本不相符的问题。

2.环境配置

我使用的的是pycharm工具，直接打开我们上面下载好的文件（记得解压缩），记得更改我们的python 解释器，选择pytorch环境下的Python Interpreter，没有pytorch环境的小伙伴需要提前准备一下项目环境（有很多教程）。
接下来，我们可以看一看项目的结构目录，找到requirements.txt文件，这里面就是项目所需要的依赖包情况（一般这个文件的项目都是比较好项目，提前告诉我们所需要的依赖情况；如果别的项目没有这个文件，那么就能根据代码爆红的地方一个一个导入，或者直接运行代码，根据代码的报错进行debug）。
接下来我们在终端中运行如下代码，导入相应的依赖包

pip install -r requirements.txt

pycocotools和thop库安装失败

我在这个时候就出现了依赖的库无法下载的情况，报错出现pycocotools和thop库安装失败，这是一个系列问题，pycocotools安装不下来，所以导致了thop库安装不了，所以才有这系列错误。这个问题小土堆提前发了视频预警，也提供的解决方案：

• 解决方案一（up主提供的）：

我们根据报错信息去官网安装好相应的软件：https://visualstudio.microsoft.com/zh-hans/visual-cpp-build-tools/（我不太喜欢这种方式，因为这个下载的visualstudio软件有8G多），下载好软件之后重新运行安装的指令即可解决（亲自使用有效）

• 解决方案二（直接把安装包导入进来）：
  我们去以下链接中将 pycococtools的安装包下载好，将安装包直接解压，复制其中pycocotools两个文件夹到conda环境…\Lib\site-packages之中，如果没有conda 的环境，那么可以将两个文件夹复制到python的site-packages中，之后再运行命令行就不会出现安装报错的情况。（未亲自实验）

https://pan.baidu.com/s/1nWQdPRtGwNnOO2DkxRuGuA 提取码：i5d7

3.运行代码

依赖环境都准备完成，就可以跑项目了。运行detect.py,下载模型训练好参数权重文件出现了超时（因为有墙所以下载太慢了），我们可以1.挂梯子下载文件，也可以2.配置镜像源下载，还可以选择3.迅雷下载本地，然后将权重文件.pt复制到项目的主目录下。

报错： ‘Upsample’ object has no attribute ‘recompute_scale_factor’

这个错误是由于版本问题所导致的，我这里的pytorch版本为2.0，但是YOLOv5 的5.0版本对应的pytorch版本应该为1.0的，所以出现了相应方法参数变化了的情况。

• 解决方案一：
  选择YOLOv5的最新版本
• 解决方案二：
  ctrl+鼠标左击报错信息中的路径，进入到upsampling.py文件中，直接forward方法中的参数给删除
  
  蓝色部分就是我们需要删除的代码，大家可以详细参考这篇博文
  

报错：assert img0 is not None, 'Image Not Found ’ + path AssertionError

出现这个错误首先去项目中核对了图片的路径是否有问题，图片是真实存在的，仔细看看报错的路径信息就会发现，图片是去绝对路径下面寻找的（这里我也有点不理解为啥绝对路径不可以），然后出现了报错，所以我们要去修改代码。

• 解决方案
  修改utils/datasets.py，在124行附近，把p = str(Path(path).absolute())改成p = str(Path(path))
  解决方法参考这篇博文

4.结果

项目运行完成后，会将结果保存在 runs\detect\文件目录下

Model Summary: 224 layers, 7266973 parameters, 0 gradients, 17.0 GFLOPS
image 1/2 data\images\bus.jpg: 640x480 4 persons, 1 bus, 1 fire hydrant, Done. (0.381s)
image 2/2 data\images\zidane.jpg: 384x640 2 persons, 2 ties, Done. (0.263s)
Results saved to runs\detect\exp

我们可以查看运行结果：（左:原图 右：目标检测结果）

总结

将代码在本地跑通了还是很开心的，不过对于YOLOv5的学习这才刚刚开始，还需要学会看懂代码的各个模块，以及如何使用其解决自己以后的目标检测的实际需求，这里还有很长的路要走。并且，我是直接使用别人已经训练好的参数权重经行预测的，那么自己训练时，如何根据模型的表现进行相应的调整呢？前路漫漫，还需 努力！