YOLOv5环境搭建之小白入门

前言

四天时间，前前后后环境搭建重复了四次。摸索过来，摸索过去，其实并不复杂。但作为小白在整个过程中还是跌跌撞撞遇到很多问题，所幸都顺利得以解决。为了方便之后再次查阅，同时为其他小伙伴提供帮助，避免走冤枉路，特此来总结下四天来整个yolov5环境搭建的经验。话不多说，上干货！

正文

本文搭建的yolov5环境为：GPU，pytorch=1.10.1，torchvision==0.11.2 ，torchaudio==0.10.1，cudatoolkit=10.2，cudnn=8.6.0。相信有很多小伙伴由于自己电脑显卡支持更高的cuda驱动版本，便想着安装更新的cudatoolkit。我想说，在我刚开始搭建环境时，也有这样的想法，但后来①训练结果P、R、maP50值为零，无法正常进行预测的问题让我这个小白不得不屈服（尝试过多种解决方案无果）……为什么选择10.2，从YOLOv5的Github中相关用户的提问以及搜索①的解决方案，可知10.2值得你信赖。

一、CUDN与cuDNN安装

网上教程很多，不再啰嗦，附上参考网址：

https://blog.csdn.net/weixin_46569877/article/details/121508939

本文安装的cuDNN版本稍有不同，如下图所示：

二、PyTorch安装

1. 创建运行环境

强烈建议学习用CONDA进行不同Python版本运行环境的隔离，附上学习网址：

https://blog.csdn.net/coder_oldgeek/article/details/122239755

CONDA安装好后，win+R->输入‘cmd’->回车，进入终端。

#1.创建一个CONDA环境，定义这个环境的名字和Python版本
# conda create -n 环境名 Python=版本号
$conda create -n YOLO_v5 python=3.8$
#2.进入所创建环境
# conda activate 环境名
$conda activate YOLO_v5$

环境创建时，遇到[y/n]，记得选y。

由于后期需要安装PyTorch相关库，考虑到下载速度的原因，提前对CUDA配置镜像源，附上参考文章：

https://blog.csdn.net/u013066730/article/details/108616185

2.PyTorch相关库安装

在进入之前创建的YOLO_v5环境后，运行以下代码进行pytorch，torchvision，torchaudio安装。

#3.PyTorch相关库安装（建议找个网络相对好的外界环境）
# CUDA 10.2
$pip install torch==1.11.0+cu102 torchvision==0.12.0+cu102 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu102$

三、YOLOv5安装

1.YOLOv5代码下载

YOLOv5代码的下载主要分为两种方式：a.到Github上下载YOLOV5包，下载地址为https://github.com/ultralytics/yolov5，下载好后解压，记住路径path；b.首先，由终端进入你想放置YOLOv5文件的路径path，之后输入命令$git clone https://github.com/ultralytics/yolov5.git$。

使用git方式有可能会遇到问题：②'git' 不是内部或外部命令，也不是可运行的程序，解决方式参考如下：

https://blog.csdn.net/Andone_hsx/article/details/87937329

2.YOLOv5依赖项安装

通过终端进入YOLO_v5环境，并进入YOLOv5文件放置位置path。

#4.进入文件夹yolov5
$cd yolov5$
#5.相关依赖安装
$pip install -r requirements.txt$

此处可能会遇到**③WARNING: Ignore distutils configs in setup.cfg due to encoding errors.**的问题，这是由于依赖项文件requirements.txt编码集的原因，通过以下方式解决：

https://blog.csdn.net/weixin_37989267/article/details/128326603

事实上，至此仍有一个小问题未解决，在之后程序执行的过程中会产生错误：**④UserWarning: Failed to load image Python extension: Could not find module ……Try using the full path with constructor syntax.warn(f"Failed to load image Python extension: {e}")**，但其并不影响检测和训练过程，故不再作纠结。

至此，所有的YOLOv5+PyTorch相关配置已经完成，下面尝试检测和训练，以验证环境是否配置成功。

四、检测

通过终端进入YOLO_v5环境，并进入路径path/yolov5。

我们使用YOLOv5自带的图片和官方的预训练权重yolov5s.pt进行检测。执行如下命令。

#6.执行detect.py文件进行检测
$python detect.py$

在检测过程中，会自动下载yolov5s.pt权重文件。但有时网络不好程序会报错，就需要自己去Github上下载（Releases · ultralytics/yolov5），并放在path/yolov5下。

命令运行过程终端显示内容如下（自己当时产生错误时就想找这个东西进行对照）：

命令成功运行后，会在path/yolov5/runs/detect目录下生成一个exp的文件夹，里面为图片的检测结果，如下图所示。

五、训练

我们使用官方的coco128训练集进行训练。在终端中执行如下命令。

#7.基于coco128数据集进行训练
$python train.py --img 640 --batch-size 2 --epochs 5 --data data/coco128.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt$

关于以上命令中，各个参数的具体含义，附上参考网址：

https://blog.csdn.net/weixin_42638415/article/details/120799608

训练过程中，有可能会遇到错误⑤OSError: [WinError 1455] 页面文件太小，无法完成操作，这是虚拟内存没有设置+batch-size参数过大的原因。虚拟内存设置可参考以下网址：

https://blog.csdn.net/Together_CZ/article/details/126545991

命令运行过程终端显示内容如下（自己当时产生错误时就想找这个东西进行对照）：

训练结束后，会在path/yolov5/runs/train目录下产生exp的文件夹，里面是训练结果，包括权重weights、混淆矩阵confusion_matrix等等，如下图所示：

至此，完美收关。关于如何搭建自己的训练集进行训练，网上有很多参考资料，也很简单不再赘述。

结语

总得来看，YOLOv5整个配置过程并不复杂，主要就是7行指令。但是，过程中的一系列小问题需要去一个个耐心去解决。本人所遇到最困惑的问题是问题①，最后产生的现象是：a.程序执行时，AMP: checks failed , disabling Automatic Mixed Precision.；b.结果总结summary中，P、R、mAP50均为0；c.训练结果exp中，_pred文件没有预测框。在上面至少耗费了两天多的时间，事实上具体问题原因仍未找到，猜测是较新版本CUDN/cuDNN与比较老版本的显卡的适配问题【本人为GeForce GTX 1650；我同学为GeForce RTX 3060，他成功安装了如下环境pytorch=1.12.0+cu116，cudatoolkit=11.6.55，cudnn=8.4.0】。最后只能退而求其次安装另外版本cudatoolkit=10.2。

关于整个安装过程，我也一直在考虑一个问题，遇到问题解决问题固然重要，为什么不能在遇到问题之前就规避问题呢？这样免去耗费更多的时间、精力。这也正是我写这篇文章的初衷，希望能帮助小伙伴们少走弯路、少耗时间，这也是为什么一开始我就建议cudatoolkit=10.2版本的原因。

感谢各位读者耐心看完本文章。初次作文，难免于疏漏，还请读者提出宝贵意见，学习交流，共同进步。