红米Gpro安装Ubuntu20.04双系统以及YOLOV5实现

首先安装Ubuntu20.04.6

安装教程：【精选】Ubuntu20.04安装详细图文教程（双系统）_ubuntu20.04安装教程_Hacah的博客-CSDN博客

将磁盘分出一部分出来安装Ubuntu，在磁盘管理中点击压缩卷即可分出一部分磁盘，之后制作Ubuntu系统安装盘，进行安装。

开机时狂按F12（红米Gpro）进入启动选择，选择u盘启动即可

在磁盘划分的时候，要分成/，/boot，swap交换空间，/home四个部分，我总共为Ubuntu准备了260g空间，/空间给了70g，/boot给了4g（网上说2g就行），swap给了16g（网上说跟内存一样就行），剩下的就一股脑分给了/home。之后等待安装就行。

如果有独立显卡的建议关闭独显，使用集显进入Ubuntu，之后在Ubuntu中安装显卡驱动就行，否则有可能出现黑屏情况

对Ubuntu初步的配置

首先是显卡驱动问题，命令行输入nvidia-smi会显示显卡型号等一系列信息，如果没有就需要去安装显卡驱动，只有安装了显卡驱动，我们才能在Ubuntu种调用显卡。

终端输入ubuntu-drivers devices，查看显卡版本，推荐的版本旁会写着recommend，记下来，终端输入sudo apt install nvidia-driver-XXX（xxx改成显卡推荐的版本）即可。

其次是亮度问题，进入Ubuntu时很有可能无法调节亮度，我之前也试过很多方法，比如修改英伟达驱动文件、命令行查询显示器控制亮度，都不太稳定，最后我采用的是程序控制，参考这篇文章ubuntu20.04屏幕亮度无法调节（亮度条调节无效）的简单靠谱解决方案及踩坑历程_ubuntu亮度调节无效-CSDN博客第三种方法，通过命令行输入

sudo add-apt-repository ppa:apandada1/brightness-controller

sudo apt-get update

sudo apt-get install brightness-controller-simple

安装程序即可调节亮度。

还有，Ubuntu记得要更换下载源，我比较推荐清华源，具体方法可以上网查询。

Anaconda的安装

由于Ubuntu系统不太稳定，我们在使用中又要配置各种环境，所以我们使用虚拟环境，当环境出现错误时删除虚拟环境即可，不用每次都重装系统。

首先是下载anaconda安装包，我这里是在清华镜像源下载到本地的，地址如下

https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

之后打开下载目录，在其中打开终端，输入

bash Anaconda3-5.3.1-Linux-x86_64.sh进行安装（注意修改后缀，使其与自己安装包版本一致）

一路enter，注意最后有yes需要输入，一不小心容易错过。之后按照文章进行操作即可

输入conda –version可以看到版本号即完成安装

之后创建自己的虚拟环境，记住名字。记得虚拟环境python版本一定要大于或等于3.8，否则后面yolov5无法安装

Pytorch安装

Ubuntu20.04配置深度学习环境yolov5最简流程_ubuntu yolov5_耳语ai的博客-CSDN博客

Ubuntu20.04|22.04下，从零开始配置yolov5环境，适合小白，每一步带图 - 知乎 (zhihu.com)

激活虚拟环境，之后进入官网找到自己需要下载的版本，复制进入命令行下载即可

CUDA安装

Ubuntu 20.04安装CUDA & CUDNN 手把手带你撸_ubuntu cuda_哈希Map的博客-CSDN博客

进入虚拟环境，终端输入nvidia-smi查询CUDA版本，一般在右上角，记下来，接着去英伟达官网https://developer.nvidia.com/cuda-toolkit-archive找比自己版本号低一个的版本下载我的cuda是12.3，我下载的就是12.2.2，一定要找比自己低的版本。点进去参考文章选择版本，之后会给你一串命令，复制粘贴命令行运行即可。如果最后查询版本号的时候找不到，千万不要按照系统提示的代码去安装，这时候是已经安装完成了的，只需要修改环境配置即可查询到。

Labelimg标注工具安装

Ubuntu 18.04 Linux安装labelImg的教程_ubuntu18.04 labelimg-CSDN博客

进行训练需要先对数据进行标记，我目前用的是这个标注软件

首先进入虚拟环境（不进入虚拟环境也行，我主要是怕系统崩掉），按照文章进行安装，中间qt5那个包会下载很长时间，我尝试换源还有代理都没能解决，之能慢慢等，中间还有一系列的问题，比如有的东西没有安装，有的东西报错，可以去CSDN查找解决方案

Labelimg的使用

【教程】标注工具Labelimg的安装与使用 - 知乎 (zhihu.com)

首先要新建一个总的存放文件夹Model1，里面新建两个文件夹，一个images存放照片，一个labels存放标注数据，之后在images下建立两个文件夹，train和val。同样的，在labels下建立两个相同的文件夹。结构如下图

我来说明一下这里的对应关系，images是存放图片的，其下的文件夹中train是存放训练用的图片，val是存放验证用的图片的。Labels是存放标注数据的，其下的两个文件夹作用也和image中的一样，对应关系是train中的图标注后数据存入labels中的train标注时注意文件夹的选择。

首先将想要标注的照片放入Photo中，之后打开Labelimg软件，参照上图，打开存放照片的文件夹images，之后再选择存放标注文件的路径，改为labels，标注文件类型改为YOLO

之后打开view标签，将上图勾选。

之后可以进行标注，注意，如果在一个标注集中想要识别两个以上的图像，即有多个类别存在时，要注意标签设置以及标注顺序。因为在我们标注后，在Data文件中会生成一个总的文件Classes，会记录我们对于图像的称呼，比如我想要两类图片（左转和右转），在classes中，会吧左转标为1，右转标为2，之后的标注数据中就只会用1和2来代表，所以在标注时的标签建立要格外注意，要不然会导致标注错误。

YOLOV5的安装

首先找到一个镜像源下载YOLOV5，之后将其解压到主目录存放

终端输入cd yolov5-master，进入文件夹

之后输入pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

如果pip3没下载的可以先下载在安装

安装完后输入python3 detect.py --source 0 摄像头正常识别即安装成功

建议下载一个VScode进行代码的调试，会更加的方便

YOLOV5的基本使用

YOLOv5的详细使用教程，以及使用yolov5训练自己的数据集_yolo5训练集_普通网友的博客-CSDN博客

安装好YOLOV5后，由于使用命令行训练及调用很麻烦，建议安装VScode，方便我们使用YOLOV5，接下来我将基于VScode下讲解YOLOV5的使用。

首先将标注好的总文件夹Model1放入yolov5-master文件夹下，要和detect.py以及train.py文件平级，这里的话

之后是选择我们需要的训练模型，从./models目录下选择一个模型的配置文件，这里我们选择yolov5s.ymal，这是一个最小最快的模型，不同配置文件的参数不同，训练出来的模型识别精度以及算力需求也不同，可以根据自己的的需求选择。

接下来是修改数据配置文件，作用是让模型知道本次训练的图片位置以及训练类别，此处我们选择是直接复制默认的yaml文件，重命名并且修改其中的内容放在同一个文件夹下，这样省时省力，打开./yolov5/data/coco128.yaml，首先是train以及val，建议这里使用绝对路径，不容易出错还省脑子，下面是修改前与修改后的，修改前的是相对路径，修改后的是绝对路径，其中hat_hair_beard是标注总文件的名称，我们这里应该是Model1

之后修改类别，就是names那一串，这里要参照labels中的classes文件里的类别顺序进行输入修改，一定一定要按照顺序来

接下来修改模型配置文件，同样复制yolov5/models/yolov5s.yaml模型的配置文件，重命名为（模型总名称_yolov5s.yaml）修改即可，这里只需要修改一处，就是文件第三行的nc：80，将后面80改成我们模型中的类别数即可。

接下来介绍一点参数，不是太重要，想要个性化训练模型的话可以参考

这些数值都是有默认值的，不修改的话也是可以按照默认值训练的。

首先我们进行预训练，可以得到一个最初的训练模型，命令的格式是

python train.py --img 640 --batch 16 --epochs 300 --data ./data/hat_hair_beard.yaml --cfg ./models/hat_hair_beard_yolov5s.yaml --weights ./weights/yolov5s.pt --device 1

其中，我们首先要调用train.py训练文件，如果我们使用VScode，只需要在train.py文件中修改保存并运行即可，训练轮数就是epoch建议100~200轮即可，cfg和data是必须要修改的，改为上面我们保存的两个yaml文件，weight为预训练模型的保存地址

接下来就是修改detect文件中的weight文件目录，改成我们模型的存放目录，再将source更改为0（设备列表中第一个设备，大部分情况下是电脑摄像头），即可使用电脑摄像头进行实时识别。可以根据识别效果对数据标注集中的图片进行删除或者补充。个人建议是首先调用自己的模型对标注集进行一边识别，就是训练集中的图片进行识别，按道理来说识别成功率应该是百分之百，如果出现百分之99及以下的，应该删除改图片并及时进行补拍，记得对应的标注数据也要删除。

另外，在数据集拍摄过程中，将需要拍摄的对象在镜头中进行拉伸缩放，以便模型在不同位置都能识别到

一类数据集的图片数量应该在1000张以上，才能有更好的训练结果。

图片的背景色建议无色，或者是尽量少点颜色，至少不可以干扰到识别的图像，否则会干扰模型的图像识别。