小白也能完成的Yolov5训练环境搭建

目录

一、源码下载

二、环境搭建

1.安装Anaconda，搭建虚拟环境

1.1 配置Anaconda的环境变量

1.2 创建环境

三、配置训练环境

1.CPU训练环境配置

pip & conda换成清华源

安装Git

1.1 创建自己的训练集

第一步：物体拍摄

第二步：物体标注

第三步：筛选训练集和验证集

1.2 CPU开始训练

1.3 推理验证

2. GPU训练环境配置

2.1安装cuda

2.2 配置cuda环境变量

2.3 安装pytorch

2.4 GPU开始训练

---

一、源码下载

在Github上面可以找到yolov5的源码。

下载地址：https://github.com/ultralytics/yolov5

在下面步骤中用的项目：

 链接: https://pan.baidu.com/s/1-AahzGVu8ia8RQOFTPWBNQ?pwd=wxgd 提取码: wxgd 复制这段内容后打开百度网盘手机App，操作更方便哦

解压出来既可

二、环境搭建

1.安装Anaconda，搭建虚拟环境

下载地址：Download Now | Anaconda

Anaconda的安装还是很简单的，按照指引下一步下一步安装即可安装完成

安装完成后

这个时候你就已经安装完Anaconda了，但是你在cmd中还是调用不到conda命令，你还需要在环境变量中去添加

1.1 配置Anaconda的环境变量

桌面右键此电脑-点击属性-高级系统设置-环境变量

系统变量中找到Path-双击进去

你需要找到你安装Anaconda的路径，并把这五个路径添加进去。

添加的操作-在右边新建-浏览-然后找到你的安装路径

打开cmd-输入conda --version，可以验证环境变量是否添加成功

1.2 创建环境

打开cmd-输入conda create -n yolov5 python=3.8。conda create -n [环境名] python=3.8

 

这样就创建完成了

然后输入conda activate yolov5 启动环境，启动成功左边会显示你的环境名。有时候会提示你要初始化一下才可以启动环境，看上面给你提示的指令，我这是没有提示，所以不用。-初始化指令：conda init

三、配置训练环境

1.CPU训练环境配置

启动环境--进入yolov5-master项目路径。我下载的是在桌面，就从桌面进去。

输入pip install -r requirements.txt 

pip & conda换成清华源

如果安装慢的话可以先换国内源。

我pip使用的是清华源：pip config set install.trusted-host pypi.tuna.tsinghua.edu.cn

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

安装完成。

安装Git

Git官网下载地址：Git - 下载软件包 (git-scm.com)

因为我这之前就安装过了，再次安装的话会跳过选择组件。基本这个按照指引下一步走就行。

这时候你就可以验证一下了。

输入：python detect.py 

等待进度条下载完成

那你将会得到两张训练好的图片，找到对应的路径就可以看到。(红色框框是路径，在yolov5-master项目下找到)

为了后续可以更方便的管理项目，可以下载个vscode

1.1 创建自己的训练集

完成了环境配置后，我们就可以准备自己的训练集了。

第一步：物体拍摄

对要训练的物体拍照，什么方式都可以，我是弄了个python程序来拍摄。

插上USB外置摄像头，如果电脑自带了也可以使用本机的。

将程序端口改为"1"，本机的是"0'，

设置分辨率。

设置保存图片的文件夹路径

当运行程序后，会有一个窗口显示画面。当按下“s”会保存一张照片，命令行会显示保存了几张照片。

按“q”关闭窗口，这时候桌面会创建一个文件夹来保存照片，因为我给的路径在桌面。

出于演示，我就不拍摄这么多了，我就用之前的数据集。

注意！！！这里是出于演示，正常一个物体的素材不应该这么少，素材少了会导致置信度低或识别不出来。我一般是一个物体100张照片，训练次数100次。也就是epoch 100

第二步：物体标注

下载标注工具(LabelImg)：Releases · HumanSignal/labelImg (github.com)

 解压完成后打开data路径下的文件

双击打开后-清空里面的内容-添加你训练物品的名称(你一次训练多少个物体，就添加多少个物体的名称，我只有一种就添加一种的) 

然后返回打开.exe文件.

open Dir：找到需要标签的图像路径打开

Change save Dir: 保存标签文件的路径(没有的话，创建一个文件夹来存储标签文件)

pasclVOC：点击一下切换成yolo格式

Use default labtel: 在方框勾选后，在后面输入图片名字。

View-Auto Save mode：自动保存标签文件

都打开后，就可以开始标注了，按"w"会出现一个十字框，对着物品拉就行了。右上角那个如果勾了，不会出现标签列表，它会自动帮你按你输入的名称标注，注意千万别输错了，会导致序号出错，标签名称也会对应不上。

接下来就是枯燥乏味的框框框啦，还好我的数据少。

第三步：筛选训练集和验证集

在项目中创建一个文件夹来存放图像

yolov5-master创建imagedata文件夹，在放入test数据集

注意！！！我这里是images，前面是少了一个s，后面都会按照images来操作。

接下来就用程序来让它分出训练集和验证集，打开apportion.py脚本，在下面路径中指向我们的数据集

file_path：指向图片的路径

xml_path：指向标签的路径

new_file_path：筛选后的数据集存放路径

执行等待，结束后就可以在文件夹中看到筛选好的数据集了

1.2 CPU开始训练

训练开始前，还需要设置一下路径。

创建test_data.yaml文件

train：指向分配好的数据集中的训练集

val : 指向分配好的数据集中的验证集

nc：种类

names：0(序号)  : 名称

设置完后，打开cmd，进入配置好的虚拟环境中

输入：python train.py --data test_data.yaml --weights yolov5s.pt --img 640 --epoch 5 --batch-size 4 --device cpu

 data：指向刚创建test_data.yaml文件

weights：指向的是预训练模型

img：图片大小

epoch：训练次数

batch：每批放进去训练的图片张数

device ：训练用的硬件

训练结束后会提示路径，在这个路径下会有last.pt和best.pt两个模型文件。

last.pt： 保存的是训练过程中的最后一个状态

best.pt：保存的是训练过程中最佳的一个状态

1.3 推理验证

插上外置usb摄像头

cmd输入：python detect.py --weights runs/train/exp/weights/best.pt --img 640 --conf 0.6 --source 1 --view-img

 weights: 路径指向训练好的模型

img: 图像大小

conf: 置信度，当物品识别的值小于0.6不显示

source: 选择摄像头 “1”是外置，“0”是本机

view-img: 打开窗口显示图像。

可以看到窗口中成功识别出了耳机，因为素材太少所以置信度不高。

那么当我们素材过多的时候，如果还是用cpu来训练的话，那就太慢了，所以我们用GPU来跑。

2. GPU训练环境配置

2.1安装cuda

先确认显卡支持cuda的最高版本是多少

在cmd中输入：nvidia-smi.exe

 红框的就是显卡支持的最高版本。

因为cuda是配合pytorch来使用的，而现在pytorch支持最新的版本是12.1。(当然你可以安装最新的12.5，听说是可以向下兼容的)

那我们就装个12.1的。

打开CUDA下载地址：CUDA Toolkit 12.1 Update 1 Downloads | NVIDIA Developer

接下来进入安装步骤，只需要注意一步，剩下的按照指引下一步下一步即可。

这里选自定义

然后再CUDA中将Visual Studio Integration去掉，接着下一步安装即可。

因为我已经装过了，我就不下一步了。

2.2 配置cuda环境变量

好，现在cuda已经装完了，那接下来还要配置它的环境变量。

现在系统变量中找到这两项(如果有就可以不用管了)

下一步进入系统变量的Path中，添加以下两项

添加好后验证一下。

cmd中输入：nvcc -V

这就是添加成功了。 

2.3 安装pytorch

conda activate yolov5进入我们创建的虚拟环境中。

上pytorch官网复制对应cuda的版本：PyTorch

 我这里下载的是12.1的，使用conda来安装，pip安装这个容易报错。

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

将上面这行指令复制到虚拟环境下安装。 

2.4 GPU开始训练

安装完成后，进入到我们的项目。

还是我们的训练指令，但是要修改一下，将device cpu 改成 device 0，你的电脑也可能需要的是device 1，优先0如果报错可以改成1。

可以训练cpu训练的那个数据集，这样就你就可以看到这训练的速度差点可不是一星半点。

python train.py --data test_data.yaml --weights yolov5s.pt --img 640 --epoch 100 --batch-size 16 --device 0

 当你显示出这行的时候，说明你的GPU被成功识别到了，那接下来看进度条从眼前飞过就行了。我的素材少所以很快。

当到了这里，说明你成功用你的GPU训练出了模型，快去试试效果吧~