Yolov5数据集+环境安装+训练+推理

Anaconda和pycharm等安装

Anaconda下载地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

• 推荐安装在非C盘区域，例如D盘
• 选项全部勾选
• 一直默认，然后点击下一步
• 安装完成后修改下载源，网速会更快（不要开梯子外网，否则会下载失败

装完成后，输入以下命令，会在当前用户的下生成.condarc文件，可以用记事本打开编辑。

conda config --set show_channel_urls yes

清华源地址:

创建yolov5环境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 

创建yolov5环境

conda create -n yolo5 python=3.8 -y

pycharm下载地址（下载社区版）：https://www.jetbrains.com/zh-cn/pycharm/

Pycharm添加解释器（3种方式）：

• 最新版的pycharm，选择conda.exe
• 旧版的，选择解释器所在文件夹下的python.exe
• 通用，选择解释器所在文件夹下的python.exe

yolov5 环境配置

• CPU版 直接执行这个安装代码即可：pip install -r requirements.txt -i https://pypi.douban.com/simple/
• GPU版:

1.  GPU版的cuda需要10.2以上版本，GPU和CPU版的区别如下
2. 用#号注释掉torch和torchvision
3. 安装完依赖后，安装GPU版Ｐｙｔｏｒｃｈ

10.2：conda install pytorch==1.10.0 torchvision==0.11.0 torchaudio==0.10.0 cudatoolkit=10.2 -c pytorch –y

11.3（推荐）：conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3 -c pytorch -y

区别:

GPU：利用英伟达显卡训练，速度比较快，cuda的版本需要10.2以上

CPU：顾名思义，利用CPU训练，速度慢

运行detect.py测试是否安装成功

labelimg安装

                pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

不推荐安装在base环境，容易闪退

启动labelimg：进入对应的环境，输入labelimg

 训练数据集及推理

1、在data目录创建yaml

• Train: 训练集的路径
• Val： 验证集的路径
• Test：测试集的路径（也可以没有）
• Nc: 类别的数量，需要和names的数量一致
• Names： 类名        

有两种写法一个是中括号，另一个是序号在前面 注意名称和值的中间，是有空格的，否则无法识别。 数据集的图片和标签，注意位置的放置顺序，否则识别不了。

2、在models修改对应模型的yaml配置

                     修改nc的值，保持和data里面的nc一致

3、数据集的格式：

---

• 训练完成后，默认会在runs文件夹里面，对应的轮次的weights下面，生成pt权重
• 修改weights的值为权重的路径
• Source的值是要测试图片/视频的路径，默认data/images（测试文件放进去就行）      
• 如果要调用电脑的摄像头，把里面的值改为0，如图2（不要带引号） 
• 运行完成后，在runs文件夹查看结果