记yolov5使用时的环境配置问题

一.前言

     这个暑假对Pyqt5/Pyside6进行了一个入门学习。

    从一开始听b站up主一节节课讲解各个控件的属性与相关信号，自己跟着一个个控件的码出来，再到拿医院管理系统做了个基础版的多窗口界面，这个时候为了打好基础ui也是码出来的，也学习到了在主窗口主要布置函数连接，引用各个ui避免臃肿，算是逐步养成了编码的一些习惯。

     后面想挑战一下运用mysql数据库，入门了学生管理系统，因为mysql和pyside的驱动连接问题被迫转到pyqt5，开始使用qtdesigner制作ui，在mysql workbench上对于数据库也有了初步的了解，完成了基本的增删改查，注册账号，记住密码等功能，并对ui做了界面美化，学习了一些stylesheet的用法，到这算是对pyqt小有所成。

     现在还有一个月的假期时间，还是打算深入一些运用到pyqt的项目，于是在b站入门了yolov5，一开始看项目介绍还以为是个较简单的opencv的特征检测项目，在我毕设的基础上可能深入一点，后面看到跟深度学习还有关联。之前一直想入门深度学习，但奈何去搜攻略都是长篇大论，无从下手，这次正好借着这个项目学习一下pytorch框架，anaconda的虚拟环境，只是可能pyqt只是其中一个附属罢了。

     我一直都认为，学习代码相关的技能，大部头书籍不如自己借一个项目来，从结果推初始也好，自己码一遍跑一下看看错哪了也好，学习也可以是逆向的，合乎自己感觉要紧。

     因为这个最近发现的领域是自己不曾涉足的，在环境配置上有很多细节，我觉得有必要记录一下。

二.环境配置

1. Anaconda下载

    之前只安装了python和pycharm，因为下载anaconda自带一个python，下载后需要在环境变量中删掉path中的原python路径，换上anaconda的三个路径。下载过程选择无影响，下载后两者并不冲突，在pycharm中换用anaconda的解释器即可。

D:\Anaconda3
D:\Anaconda3\Scripts
D:\Anaconda3\Library\bin

2.虚拟环境的配置

   （1）创建虚拟python环境

     1）以项目代码的文件夹打开cmd

   如果你是对别人的项目做复现，建议建立个文件夹，把代码塞里面，对这个文件夹cmd（后续安装request库一大堆的很方便）

      2）更换下载源

   在创建虚拟python前，建议先将源更换为清华源如下（中科大我试了几次这里不好使）

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge 
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --set show_channel_urls yes

    3）指定虚拟环境所在位置

考虑到一个虚拟环境加上各种库，容量应该有20g左右或往上，如果你想指定虚拟环境所在的硬盘，建议阅读这篇文章w11下载anaconda在d盘，新建的虚拟环境总是在c盘怎么解决_anaconda创建虚拟环境怎么在c盘_weixin_48373309的博客-CSDN博客

   4）正式创建虚拟环境

在cmd中运行如下代码，python3.8听说与pytorch配合比较稳定，反正我跟着选了

conda create -n yolo5 python==3.8.5

   5）激活虚拟环境

要记得激活虚拟环境,之后cmd会出现（yolo5）也就是你虚拟环境名字打头的语句

conda activate yolo5

(yolo5) D:\yoloTest\yolov5-mask-42-master>python

   

（2）下载pytorch

     下载pytorch建议换成中科大源

conda config --remove-key channels
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple

 python3.8不宜安装过高版本的pytorch，但选择gpu版本的建议1.10以上

conda install pytorch==1.10.0 torchvision torchaudio cudatoolkit=11.3

（2）下载pycocotools

如下安装即可

pip install pycocotools-windows

（3）下载requirements的库

在cmd也就是在项目文件夹目录下你创建好的虚拟环境中输入dir，其中会显示requirements的命名，然后执行如下命令即可。这一般是github或gitee上大佬做完虚拟环境下深度学习项目后生成的一个打包库。这也是运用anaconda的优势所在。

pip install -r requirements.txt

（4）下载pyqt5与labelimg

pip install pyqt5
pip install labelme

labelimg用途是对图片做截取，生成截取区域的位置信息，相当于自己做一次训练。

 （5）细枝末节

    到这里基本的配置完成了，可以在cmd中直接运行一些命令，也可以文件夹打开pycharm。这时候要做到更换解释器为虚拟环境下的python。如果仍出现torch，pyqt等未识别模块，在pycharm的终端处运行命令，并讲终端换成cmd。还会出现一些如int格式问题，将numpy1.24版卸了换成1.22版的。

三.运行yolov5程序

1.数据集分类

训练集（train），测试集（test），验证集（val）。

训练集就是自己在labelimg进行截图，口罩人脸分类，得到各个图片的labels，将这份数据交给电脑去学习，相当于看老师现场解题。

验证集就是同样需要自己截图，但举个例子，这时候是电脑训练完之后开始做卷子并对答案的过程。

测试集就是正式考试，只给图片，让电脑识别出并分类。

三者喂的比例一般为8：1：1

2. 数据集路径配置

按照如下分成三类，除了test集，其他都需要images与labels，且最好对图片做一个重命名，以便归类，images与labels在截图后是一一对应的。

 

 

 3.运行命令

        直接在终端运行命令

    （1）训练验证命令

        mask_data.yaml中配置好训练与验证图片的索引路径

        weights 使用预训练模型yolov5s

       epoch 100轮

        batch size 每轮8张图片

       device 0 直接使用gpu

       最终会得到一系列分析结果，误差损失精度等等。。

       数据集：训练集120张图，测试和验证都是15张。

       我的配置是3050 4g显存，这样跑一轮是8s，100轮12分钟左右

       对于gpu使用率低的问题还在探究中。。。

python train.py --data mask_data.yaml --cfg mask_yolov5s.yaml --weights pretrained/yolov5s.pt --epoch 100 --batch-size 8 --device 0

      （2）测试命令

     在上面运行结束后，会在run/train/exp/weights目录下出现一个最佳模型best.pt，用这个去跑测试，同样的后面跟的路径是测试集图片的路径。

python detect.py --weights runs/train/exp7/weights/best.pt --source D:/yoloTest/pic/yolo_test/images

     在测试结束后，会在detec目录下生成结果图，可以用以评价效果。

    目前的结果评价是

1. 摄像头视频识别“人脸”精度低

2. 图片对"人脸"识别精度低

3. gpu利用率低

4. 对于“口罩”的识别精度高