yolov5简易使用

1.环境配置

从github上下载好yolov5源码后，根据requirement文件配置环境，使用conda新建一个仿真环境，接着使用

pip install -r requirements.txt

来安装环境，安装后首先运行detect.py

发现安装后的环境不能使用，报错为

ERROR: torch has an invalid wheel, torch has an invalid wheel, .dist-info directory not found

原因是torch版本比较老，因此使用指令

pip install torch1.7.0+cpu torchvision0.8.1+cpu torchaudio===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html

来安装torch和torchvision，之后即可成功运行detect.py，并能输出预测后的图片

2.运行detect.py

这里即为运行detect.py的参数， --weights即为预测使用的权重文件，这里使用的是官方的yolov5l.pt；--source用来指定输入文件，也可以更改为视频的路径；--img-size为输入图片大小，如果原图片不是这个尺寸，模型也将对他进行resize；--conf-thres一般默认为0.25，--iou-thres为交并比阈值，大于0.45的才被预测；--view-img为在运行时显示预测结果，想要开启此功能，即在终端运行代码时，加入此选项，python detect.py --view-img；其他的参数包括训练后的结果保存路径等，这里不再赘述。

最终预测后可在runs/detece下找到预测后的图片

3.运行train.py 

接着我们开始讲解训练部分，可以看到这里同样也有参数设置部分，--weights为指定的预训练权重，即参数将被初始化为这里的数据；--cfg和--hyp为一些模型参数和超参数的初始化设置；--data为用于训练的样本，原代码使用的是coco128数据集；接着看到epoch设为300轮，img_size设为640*640，batch_size设为16；--resume这个参数用于接着上次中断训练的部分接着训练，只需要把default改为上一次的训练输出即可，例如default='runs/train/exp/weight/last.pt',其余参数一般不需要改动，稍微了解即可。

使用python train.py进行训练.

4.云端训练

使用google的Colab进行训练

教程为我之前的一篇博客：使用Colab训练yolo

关于训练的预测的代码原理详解会在之后更新