YOLOV5深度学习零基础——day1环境配置

最新推荐文章于 2025-04-08 22:36:52 发布
最新推荐文章于 2025-04-08 22:36:52 发布
阅读量332 收藏 3
点赞数 4
文章标签： YOLO
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/Seyno_zxq/article/details/138085724
版权
本文讲述了在安装深度学习模型Yolov5时，由于ROS环境默认使用Python2.7，导致自动配置问题。解决方法是编辑getdit.bashrc文件，注释掉source行，并在下载目录下执行piprequriements命令以适应Python环境。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

问题：安装yolov5时，自动配置了ros环境下的python2.7

解决方案：编辑getdit .barshrc文件下的环境变量，将其source注释；同时需要进到下载列表下执行pip requriements的命令

Seyno_zxq
关注
在Rust中使用Torch——Day 1：环境配置和使用PyTorch进行Yolov8推理
Bsv___的博客
09-21 487
Rust是一种系统级编程语言，以其安全性、性能和并发性而闻名。而PyTorch是一个流行的机器学习框架，提供了丰富的工具和库来构建和训练深度学习模型。本文将介绍如何在Rust中配置环境，并使用PyTorch进行Yolov8目标检测模型的推理。
ROS中python2.7 和 YOLOv5中python3的兼容问题
weixin_41181442的博客
08-20 1522
ROS中python2.7 和 YOLOv5中python3的兼容问题
工控机 ubuntu16.04 yolov5 cpu版本安装和开发
绑个蝴蝶结的博客
04-14 2355
工控机 ubuntu16.04 yolov5 cpu版本安装背景环境安装结果安装过程中yolov5报错： 背景 项目有需要用到目标检测，所以想到yolo，之前跑过yolov3，现想yolov5搭配intel realsense D435i来做开发。选cpu版本是因为工控机没有独显。   环境安装 ubuntu16.04 默认是python2.7和python3.5,但是在安装yolov5时候需要matplotlib>=3.2.2，而这是需要python3.8才能安装的。好久没碰过这些老问题
配置yolov5环境时解决Command “python setup.py egg_info“ failed with error code 1 in xxx的问题
weixin_44769034的博客
10-28 1012
可以看到python3指向的是python3.6，所以要更改python3指向，使其指向python3.7。最后pip3 install -U -r requirements.txt继续安装yolov5环境。，而ubuntu18.04自带的python版本是。检查后发现yolov5的环境要求必须是。再升级一下pip3版本。
YOLOV5_ROS编译步骤
qq_38664794的博客
05-14 5108
1.环境搭建； 2.编译YOLOv5_ROS安装包； 3.使用kienct相机实时检测。
使用u版YOLOv5遇到的Bug
weixin_43747177的博客
12-19 1671
使用u版YOLOv5遇到的Bug 1.使用摄像头进行检测时，遇到以下问题。 错误原因： 根据提示在代码中找出错误处，在detect.py中的118行 cv2.imshow(p,im0) 通过断点调试，其中的p的类型为PosixPath，比较v3中相同代码处此处的p类型为str 解决方案： 在这行代码前添加： p=str§，将其转换为str类型。最先找到原因也是在网上搜到相关博客添加链接描述 ...
深度学习 Day 30——YOLOv5-C3模块实现
北天的博客
04-04 1178
365天深度学习训练营 [第二十一周]——本期博客我们将利用YOLOv5算法中的C3模块搭建网络，了解学习一下C3的结构，方便后续我们的YOLOv5算法的学习，并在最后我们尝试增加C3模块来进行训练模型，看看准确率是否增加了。
深度学习 Day 31——YOLOv5-Backbone模块实现
北天的博客
04-20 1284
365天深度学习训练营 [第二十二周]——本期博客我们将利用YOLOv5算法中的Backbone模块搭建网络，了解学习一下Backbone的结构，方便后续我们的YOLOv5算法的学习。
二、yolov5原理与源码学习
qq_60257376的博客
01-06 4933
文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、pandas是什么？ 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分
合工大苍穹战队视觉组培训Day1——机器学习，学会使用YOLO模型
qq_67004876的博客
07-19 1206
合工大苍穹战队视觉组培训学习日记Day1,主要是环境安装和yolo的模型使用。
合工大苍穹战队视觉组培训Day7——视觉，jetson naon与D435i
qq_67004876的博客
07-27 820
JetsonNano D435i
目标跟踪论文代码汇总
如果想成为中心，那么就到中心去吧。
07-21 1194
近年来，分割任意模型（SAM）因其对图像分割性能而迅速获得了广泛的关注。由于其较强的图像分割能力和不同提示的高交互性，我们发现其在视频一致性分割效果较差。因此，在本报告中，我们提出了跟踪任何事物模型（TAM），它可以在视频中实现高性能的交互式跟踪和分割。详细地说，给定一个视频序列，只有很少的人类参与，也就是说，几次点击，人们可以跟踪任何他们感兴趣的东西，并在本体推理中得到令人满意的结果。没有额外的训练，这种交互式设计执行的视频对象跟踪和分割令人印象深刻。
从配置Yolov5环境到训练自己的数据集，踩坑经验
秀
10-18 3252
yolov5模型代码链接：https://github.com/ultralytics/yolov5 1、装好Anaconda3（跨平台的科学应用软件，可以创建独立的虚拟环境，win10、ubuntu上均可运行，但推荐ubuntu因为显卡的利用效率更高） python2.7和python3.5/3.6共存，其内的环境互不干扰 2.按此https://github.com/ultralytics/yolov5/blob/master/requirements.txt列举的环境安装 pip ins..
Ubuntu22.04——YOLOv8模型训练到RK3588设备部署和推理
boss-dog
04-07 134
PS：由于部署系统为瑞芯微开发板，因此需要下载瑞芯微修改后的yolov8源码（只修改了export.py导出部分，训练用yolov8的源码也没问题），且版本与训练PT模型时的ultralytics版本最好一致或高于训练版本（我训练时用的是v8.2.0版本，瑞芯微官网我看是v8.2.71，后续可以直接用瑞芯微官网提供的yolov8源码进行训练）。打开yolo的源码仓库，进去之后会发现不管是什么版本，所有的Tags都是8.x.x，无法分清是yolov8还是yolo11。尝试删除构建目录中的CMake缓存文件。
YOLOv11实战电力设备缺陷检测
weixin_40280870的博客
04-06 615
本文采用YOLOv11作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv11以其高效的实时检测能力，在多个目标检测任务中展现出卓越性能。本研究针对电力设备缺陷数据集进行训练和优化，该数据集包含丰富的电力设备缺陷图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技术，模型能够自动提取电力设备缺陷的特征并进行分类识别。PyQt5界面设计简洁直观，便于用户操作和实时查看检测结果。本研究不仅提高了电力设备缺陷识别的自动化水平，还为电力设备缺陷系统的构建提供了有力支持
物体检测算法：R-CNN，SSD，YOLO
weixin_73557167的博客
04-08 813
概要介绍物体检测算法
YOLO V8中的​“中心点邻近区域 + 动态IoU匹配“
thequitesunshine007的博客
04-06 611
它是联合优化正样本分配的策略，旨在更精准地匹配预测框与真实目标的位置关系。
YOLOv12 训练实战，train.py 常用参数介绍
darcsdn
04-06 244
前几期的视频介绍了数据标注、数据集准备以及yolov12的环境准备，今天开始训练。指定使用哪个gpu，也可以同时用多个，比如'0,1,2'，就是用三块gpu。指定data.yaml文件路径，前面视频创建的yaml文件。YOLOv12 训练实战，train.py 常用参数介绍。出现训练中断，如果想要继续，将resume改成True。首先创建训练脚本，完整代码如下。如果内存炸了，就把这个降低。
SU-YOLO：基于脉冲神经网络的高效水下目标检测模型解析
最新发布
hasakie的博客
04-08 100
水下目标检测是海洋研究、设施安全检测等领域的核心技术，但面临复杂光学环境和设备资源限制的挑战。本文提出的SU-YOLO​（Spiking Underwater YOLO）通过结合脉冲神经网络（SNN）的轻量化和低功耗特性，针对水下场景进行了多维度优化。论文核心贡献包括：​脉冲水下图像去噪模块分离批归一化（SeBN）方法优化的残差块设计，在URPC2019数据集上实现78.8% mAP，能耗仅2.98 mJ，显著优于主流SNN和部分ANN模型。SU-YOLO通过脉冲去噪时间感知归一化和结构优化。
yolov8学习Day1
09-12
2. 学习深度学习基础知识：了解卷积神经网络（CNN）、感受野（receptive field）、锚框（anchor box）等概念，这些是理解YOLOv8模型的基础。 3. 掌握相关工具和库：学会使用Python和深度学习框架，如PyTorch或...
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