YOLOv5/v8环境配置及训练、检测方法

已于 2025-03-25 20:32:48 修改
阅读量6.3k 收藏 69
点赞数 39
文章标签： YOLO
于 2024-01-14 22:18:17 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LIYIFAN_/article/details/135586861
版权

YOLOv5/v8环境配置及训练、检测方法

  • 1.环境配置
    • 1.1安装CUDA Toolkit
    • 1.2安装cudnn
    • 1.3安装Anaconda
    • 1.4新建YOLOv5/v8环境
    • 1.5安装pytorch
  • 2.使用YOLOv5/v8进行训练、检测
    • 2.1 在github上下载yolov5/v8工程
    • 2.2安装Pycharm（自行安装）
    • 2.3使用YOLOv5进行训练、预测
    • 2.4使用YOLOv8进行训练、预测
  • 问题解答

1.环境配置

1.1安装CUDA Toolkit

  1. 在安装之前，我们首先要查看自己电脑显卡驱动的CUDA版本：右键桌面，点击NVIDIA控制面板，点击左下角的系统信息，点击组件
    在这里插入图片描述
    注：安装CUDA Toolkit时，需要选择CUDA Toolkit版本不能高于显卡驱动CUDA版本。若想安装较高版本的CUDA Toolkit可更新显卡驱动。
    Nvidia显卡驱动下载地址：https://www.nvidia.cn/Download/index.aspx
    在这里插入图片描述
    在这里插入图片描述

  2. 在官网下载CUDA Toolkit：CUDA Toolkit官网
    在这里插入图片描述
    这里以CUDA Toolkit 12.1.1为例，点击CUDA Toolkit 12.1.1，选择如下选项后下载。
    在这里插入图片描述

  3. 安装
    这里选择安装程序临时解压位置（改为D盘即可）
    在这里插入图片描述
    这里选择自定义
    在这里插入图片描述
    全选
    在这里插入图片描述
    使用默认的安装位置进行安装。（不要更改安装位置）
    在这里插入图片描述

  4. 验证安装
    在键盘上按下组合键win+R打开运行，输入cmd确定。
    在这里插入图片描述
    输入nvcc -V 回车，如输出以下内容则安装成功。
    在这里插入图片描述

1.2安装cudnn

官网：cudnn官网
在这里插入图片描述
需要注册登录才能下载。
在这里插入图片描述
选择window版本下载。
在这里插入图片描述

  1. 将下载的压缩包解压可以看到有bin、include、lib三个文件夹。
    在这里插入图片描述
  2. 将bin文件夹下的文件复制到CUDA安装目录下的bin文件夹内。
    在这里插入图片描述
  3. include文件夹内的文件复制到CUDA安装目录下的include文件夹内。
    在这里插入图片描述
  4. lib->x64文件夹内的文件复制到CUDA安装目录下的lib->x64文件夹内。
    在这里插入图片描述
  5. 右键此电脑点属性，点击高级系统设置、环境变量、双击系统变量中的path，在环境变量中点击新建添加如下内容
    在这里插入图片描述

1.3安装Anaconda

Anaconda官方下载地址：下载地址
在这里插入图片描述

  • 安装时勾选Add Anaconda to my PATH environment variable,免去手动配置环境变量。
  • 建议不要安装在C盘。

1.4新建YOLOv5/v8环境

Anaconda安装完成后，可以在开始菜单里看到如下应用。
在这里插入图片描述
打开Anaconda Prompt

  1. 输入conda config --set show_channel_urls yes 回车 ，此时在C盘的用户文件夹下会生成一个.condarc文件，使用记事本打开该文件，将记事本中的内容全部删除，将下面的内容复制到记事本中，保存后关闭文件。
channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  deepmodeling: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/
  1. 再次打开Anaconda Prompt，输入conda clean -i 回车，之后输入y 回车。
  2. 下面使用语句conda create -n <environment_name> python=<python_version>创建一个新的虚拟环境
    其中<environment_name> 为要创建的环境名称，<python_version>为所需的Python版本号。
    这里我们输入conda create -n yolo python=3.10创建一个新环境。中间提示Proceed([y]/n)?这里输入y
    在这里插入图片描述

1.5安装pytorch

pytorch官网：https://pytorch.org/get-started/locally/
在这里插入图片描述

  1. 输入activate yolo激活yolo环境。
    在这里插入图片描述
  2. 输入pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 回车等待自动安装即可
    这里可能会因为网络问题导致安装包下载失败，可以多试几次。
    在这里插入图片描述

2.使用YOLOv5/v8进行训练、检测

2.1 在github上下载yolov5/v8工程

yolov5下载地址：https://github.com/ultralytics/yolov5
yolov8下载地址：https://github.com/ultralytics/ultralytics
在这里插入图片描述
在D盘或E盘新建一个PycharmProject文件夹，将刚刚下载好的yolov5/v8工程压缩包解压到PycharmProject文件夹。

2.2安装Pycharm（自行安装）

若安装完成后UI样式与本教程不同可在设置中更改
在这里插入图片描述

2.3使用YOLOv5进行训练、预测

  1. 在Pycharm中打开刚刚解压好的yolov5-master的文件夹

  2. 在设置中选择前面创建的yolo环境
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    注：此处若找不到conda可执行文件可手动添加，具体操作如下：
    在这里插入图片描述
    打开终端输入：pip install -r requirements.txt安装yolov5所需的python库。
    在这里插入图片描述

  3. 运行detect.py文件
    首次运行会下载权重文件，由于网络问题访问不了github可能会导致下载失败，可以自行下载权重文件放到项目文件夹里。在这里插入图片描述此处应为GPU而不是CPU在这里插入图片描述
    运行完成后runs文件夹下会生成detect文件夹里面放有测试结果。
    在这里插入图片描述
    在这里插入图片描述
    至此准备工作完成可以开始配置训练。

  4. 将数据集放置在工程文件夹下的data->images文件夹下。
    在这里插入图片描述

  5. 将data文件夹下的coco128.ymal拷贝一份出来
    在这里插入图片描述
    打开拷贝的yaml文件，将train和val后面的位置改为数据集的相对位置，names里为要检测的对象，若只有一个对象就写0：对象名,其他的注释掉。
    在这里插入图片描述
    注：查看相对位置的方法
    在这里插入图片描述
    在这里插入图片描述

  6. 将models文件夹下的yolov5s.ymal拷贝一份出来在这里插入图片描述
    打开拷贝出来的yaml文件，将nc：后面的数字改为你要检测的种类个数
    在这里插入图片描述

  7. 打开主目录下的train.py文件
    在这里插入图片描述
    将445与446行的两个位置改为刚刚拷贝的两个文件，448行epochs为训练次数可更改。
    在这里插入图片描述
    运行train.py。
    若有报错，可将utils->general.py中366行的check_git_info函数内的内容注释用pass代替。
    在这里插入图片描述
    训练完成后runs文件夹下会生成train文件夹，exp里会放有与训练结果相关的图片与表格。
    在这里插入图片描述
    其中weight文件夹中会生成两个权重文件，后续可以用训练好的权重文件进行检测。
    在这里插入图片描述
    8.配置detect.py文件进行检测
    打开detect.py文件，将244行的位置改为刚刚训练好的best.pt的相对位置，将245行的位置改为你想检测的图片或装有图片的文件夹。
    在这里插入图片描述
    检测结果依然会存放在runs中的detect文件夹中。

2.4使用YOLOv8进行训练、预测

参考：YOLOv8官方文档
与YOLOv5不同的是，YOLOv8在命令行使用语句来进行训练和预测。
也可以编写python程序，详见官方文档。

  1. 在Pycharm中打开刚刚解压好的ultralytics-main的文件夹
  2. 在设置中选择前面创建的yolo环境
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在Pycharm中打开终端，在终端中输入pip install ultralytics安装YOLOv8所需的python库在这里插入图片描述
  3. 添加系统环境变量
    由于YOLOv5需要在命令行调用python，所以我们需要将python添加至系统的环境变量，否则就会报错。
    右键此电脑点属性，点击高级系统设置、环境变量、双击path
    在这里插入图片描述
    进入后新建一条环境变量，填入python解释器的地址
    在这里插入图片描述
  4. 配置默认数据集位置（注意此步骤在运行yolov5后须重新进行）
    在ultralytics-main文件夹下新建一个datasets文件夹。
    在pycharm中打开终端输入yolo settings datasets_dir='E:\PycharmProject\ultralytics-main\datasets'，将默认数据集位置设置为E:\PycharmProject\ultralytics-main\datasets
    将数据集复制到datasets文件夹下，并拷贝coco128.ymal至datasets文件夹下如下图所示。
    在这里插入图片描述
    打开拷贝后的yaml文件进行如下配置
    在这里插入图片描述
    最后在pycharm中点开终端，输入yolo detect train data=E:\PycharmProject\ultralytics-main\datasets\ship.yaml model=yolov8s.pt epochs=100 imgsz=640
    其中data为存放ship.ymal的绝对路径，model为预训练模型，epochs为训练次数。
    其他参数可见官方文档。
    训练结果与yolov5一样存在于runs文件夹中。
  5. 新建detect.py文件进行检测
    右键点击主目录新建detect.py文件
    在这里插入图片描述
    输入detect.py回车
    在这里插入图片描述
    可以看到在主目录下生成了detect.py文件
    在这里插入图片描述
    双击打开detect.py,拷贝下面的代码（这些代码在官方文档中都有，大家一定要认真查看官方文档）
from PIL import Image
from ultralytics import YOLO

# 加载预训练的YOLOv8n模型
model = YOLO('runs/detect/train/weights/best.pt')

# 在'bus.jpg'上运行推理
results = model('datasets/ship/val/images/000011.jpg')  # 结果列表

# 展示结果
for r in results:
    im_array = r.plot()  # 绘制包含预测结果的BGR numpy数组
    im = Image.fromarray(im_array[..., ::-1])  # RGB PIL图像
    im.show()  # 显示图像
    im.save('results.jpg')

在这里插入图片描述
点击运行之后等待一会可以看到检测结果弹窗，并且在主目录下生成了一个result.jpg图片。
在这里插入图片描述

问题解答

待续

LIYIFAN_
关注
基于深度学习的钢材表面缺陷检测系统：YOLOv5/v6/v7/v8/v10模型实现与UI界面集成
m0_52343631的博客
10-04 1347
数据采集与预处理采集钢材表面的图像数据，确保数据质量和多样性。进行图像预处理，包括去噪、增强等，以提高模型训练的效果。模型训练选择合适的深度学习模型（如卷积神经网络）并进行训练。进行超参数调优，以提高模型的检测准确性。用户界面设计提供图形化的操作界面，便于用户上传钢材图像并查看检测结果。后端实现处理用户上传的图像，并调用训练好的模型进行检测。返回检测结果，包括缺陷位置和类型。系统评估与优化通过各种评估指标（如准确率、召回率等）对系统进行评估。根据评估结果进行系统优化，提高整体性能。
基于深度学习的布匹缺陷检测系统：YOLOv5/v6/v7/v8/v10模型实现与UI界面集成
m0_52343631的博客
10-03 1119
YOLO（You Only Look Once）是一种实时目标检测算法，它可以在单次前向传播中同时完成目标定位和分类任务。自YOLOv1发布以来，YOLO系列模型在多个版本中逐步提高了检测精度和速度。
万字长文带你搞懂yolov5和yolov8以及目标检测相关面试
m0_71124168的博客
07-23 2071
针对IoU和GIoU损失所存在的问题，DIoU为了解决如何最小化预测框和GT框之间的归一化距离这个问题，DIoU Loss考虑了预测框与GT框的重叠面积和中心点距离，当GT框包裹预测框的时候，直接度量2个框的距离，因此DIoU Loss的收敛速度更快一些。在yolo系列算法中，针对不同的数据集，都需要设定特定长宽的锚点框。在网络训练阶段，模型在初始阶段，模型在初始锚点框的基础上输出对应的预测框，计算其与GT框之间的差距，并执行反向更新操作，从而更新整个网络的参数，因此设定初始锚点框是比较关键的一环。
【YOLOV5环境安装+训练自己的数据集全流程】
最新发布
apartness_的博客
03-03 1585
本文详细介绍了YOLOV5的的CPU/GPU环境安装，并做了一个简单的标注+训练+识别的测试。我主要基于所学的教程做了一个整合性的教程。从环境配置到软件安装再到简单的训练测试。
yolov5环境配置
xiao_yang_yang_的博客
02-04 8544
Windows系统下1、安装Anaconda3(我的版本)，配置好环境变量（不同版本环境变量文件可能不同）2、安装电脑对应的显卡版本驱动(NVIDIA GeForce GTX 1050)3、安装CUDA(10.2版本)，成功安装后再安装cuDNN(一定是对应于CUDA版本)4、安装pytorch，配置pytorch环境，克隆yolov5包。
YOLOv5环境配置
m0_53480978的博客
07-05 4090
利用anaconda和pycharm安装包并运行项目文档
YOLOV5环境配置
qq_53962503的博客
07-24 3801
YOLOV5环境配置
深度学习笔记（一）：环境（yolov5）配置
xumocanshui的博客
09-29 1万+
到这里yolov5的环境部署就结束了。最后运行一些yolov5项目中的detect.py文件测试一下。在terminal中输入或者直接运行detect.py。运行结果如下所示。
基于深度学习的路面裂缝检测系统：YOLOv5/v6/v7/v8/v10模型实现与UI界面集成、数据集
m0_52343631的博客
09-30 1537
构建有效的路面裂缝检测模型，需要大量标注好的数据集。路面裂缝图像数据集通常包括不同类型、不同大小和不同环境条件下的裂缝图像。包含各种类型的裂缝，如细裂缝、宽裂缝和其他形式的损坏。图像应涵盖多种路面材料和环境条件。标注信息应准确，以支持模型的训练。YOLO（You Only Look Once）是一种流行的目标检测算法，能够实时检测图像中的多个对象。不同版本的YOLO模型在速度和精度上有所不同。YOLOv5被广泛应用，因其性能稳定且易于使用。
基于深度学习的输电线路设备检测系统：YOLOv5/v6/v7/v8/v10模型实现与UI界面集成
m0_52343631的博客
10-03 810
实时图像采集对图像中的设备进行检测与标注提供用户友好的界面，便于查看和操作本文详细介绍了基于深度学习的输电线路设备检测系统的构建过程，包括数据集准备、YOLO模型训练、实时目标检测和用户界面设计等方面。未来，我们可以进一步扩展系统的功能，例如增加故障自动报警、云端数据存储等，以提升系统的智能化和实用性。
基于深度学习的火焰检测系统（UI界面 + YOLOv8/v7/v6/v5代码 + 训练数据集）
m0_52343631的博客
01-01 672
本博客介绍了基于YOLO系列模型（包括YOLOv5、YOLOv6、YOLOv7、YOLOv8）的火焰检测系统的完整实现。我们从数据集的准备、模型的训练、实时检测的实现、UI界面的设计等方面进行了详细讲解。通过该系统，我们可以实时检测视频流中的火焰，并在UI界面中展示检测结果。随着深度学习技术的不断发展，火焰检测系统的应用将更加广泛，未来我们可以进一步优化检测精度，提升系统在复杂环境下的鲁棒性和实用性。4o mini。
配置YOLOv5环境
niyingsuimeng的博客
12-08 803
简单配置yolov5环境
YOLOv5 vs YOLOv8
mingo_敏
06-20 9122
YOLOv5 N/S/M/L/X 骨干网络的通道数设置使用同一套缩放系数；YOLOv8 N/S/M/L/X 骨干网络的通道数设置不一样，使用不同的缩放系数。YOLOv7 网络设计也采用类似的方式作用于所有模型。
yolo环境配置
weixin_34224941的博客
12-13 475
主要配置参考官网https://pjreddie.com/darknet/yolo/ 为了能够可视化，另安装cuda+opencv cuda版本为9.0 opencv版本为3.1.0 先安装cuda再安装opencv后可能会有版本冲突 安装完cuda以及opencv后对yolo的makefile文件进行修改，再重新编译 编译过程中报错 make: *** [obj/convolutio...
​yolov8和yolov5​主要区别
KIKI3666的博客
09-04 7042
在同一个像素点上，生成多个不同大小和比例的候选框，覆盖几乎所有位置和尺度，每个参考框负责检测与其交并比大于阈值 (训练预设值，常用0.5或0.7) 的目标，然后通过anchor中有没有认识的目标和目标框偏离参考框的偏移量完成目标检测，不再需要多尺度遍历滑窗，极大的提升了速度。Decoupled Head不仅是模型精度上会提高，同时网络的收敛速度也加快了，使用Decoupled Head的表达能力更好，增强了模型的鲁棒性，可以更好地建模位置和类别之间的关系，提高目标检测性能。相对简洁，无需设计大量的锚框。
【YOLO】朴实无华的yolov5环境配置（一）
Explore_Zhou
05-13 3863
最近有一个项目需要用到目标识别，于是我一下子就想到了大名鼎鼎的yolo，于是花了一天时间了解了一下。但是很遗憾的是，， 随后就去网上找一些配置教程，但是很遗憾的是听着很大气，但感觉大部分都是废话，效率不高且不够准确。于是打算根据自己的经验搓一个教程。
深度学习目标检测：yolov5环境配置，适合0基础小白，超详细
热门推荐
笑脸惹桃花的博客
04-26 2万+
对于小白也很简单的yolov5环境配置
YOLOv8/v7/v6/v5对比
01-01
### 不同版本YOLO模型的主要特性 #### YOLOv8 特性 YOLOv8引入了一系列改进，旨在提高速度和准确性的同时保持简单易用的特点。为了验证YOLOv8模型的效果，可以采用验证模式来评估模型的表现并识别需要改进的地方[^3]。 #### YOLOv7 特性 YOLOv7专注于提供更快的速度以及更高的精度，在资源受限设备上也能高效运行。该版本强调了无需额外训练数据即可超越许多现有模型的能力，并且特别优化了对于移动平台的支持。 #### YOLOv6 特性 YOLOv6继续沿用了前几代的设计理念——快速而精确的目标检测算法；同时针对实际应用场景做了进一步调整，比如更好的支持多尺度预测等功能，使得模型更加灵活适用不同类型的图片尺寸。 #### YOLOv5 特性 作为较早的一个版本,YOLOv5已经具备相当成熟的技术框架,实现了端到端的一次性推理过程,能够处理多种复杂环境下的目标定位任务;此外还增加了对自定义配置文件的支持以便于用户根据具体需求定制化修改网络结构参数等设置. ```python import torch from ultralytics import YOLO model_v5 = YOLO('yolov5s.pt') model_v6 = YOLO('yolov6s.pt') model_v7 = YOLO('yolov7s.pt') model_v8 = YOLO('yolov8s.pt') results_v5 = model_v5(imgsz=640) results_v6 = model_v6(imgsz=640) results_v7 = model_v7(imgsz=640) results_v8 = model_v8(imgsz=640) print(f'YOLOv5 Results: {results_v5}') print(f'YOLOv6 Results: {results_v6}') print(f'YOLOv7 Results: {results_v7}') print(f'YOLOv8 Results: {results_v8}') ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值