使用Anaconda搭建python环境进行深度学习--验证码识别（从环境搭建到实践全详细过程！！！）

1.安装Anaconda（从官网下载）

参照网上其他教程。

2.创建一个新的Anaconda环境并指定Python版本为3.8

2.1打开Anaconda Prompt或Anaconda PowerShell Prompt。创建新环境：

   conda create -n myenv python=3.8

这里myenv是环境名称，可以根据需要更改。 

2.2激活新环境：

   conda activate myenv

2.3确认新环境中的Python版本

在激活新环境后，使用以下命令确认Python版本：

python --version

输出位Python 3.8.x表示成功。

2.4在新环境中安装项目所需的库：

# 安装PyTorch及其依赖
conda install pytorch==1.10.1 torchvision==0.11.2 torchaudio==0.10.1 cudatoolkit=11.3 -c pytorch -c conda-forge

# 安装其他依赖库
pip install numpy opencv-python pillow matplotlib tqdm

pip install labelImg

下载有点久......如果pip install 失败可以采用conda install

3.数据准备和标注

3.1启动 LabelImg：

   labelImg

如果要用固定的标注集进行标注：进入到下面这个classes的父文件夹下执行下面指令。

labelimg ./data predefined_classes.txt

3.2建立文件结构

在本地文件夹中建立如下结构：

dataset/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   └── img2.jpg
│   └── val/
│       ├── img1.jpg
│       └── img2.jpg
├── labels/
│   ├── train/
│   │   ├── img1.txt
│   │   └── img2.txt
│   └── val/
│       ├── img1.txt
│       └── img2.txt
└── data.yaml

data.yaml文件内容示例：

train: dataset/images/train
val: dataset/images/val

nc: 62
names: [ '0', '1', '2', ..., 'Z' ]

3.3标注图片：

3.2.1设置 LabelImg

1. 选择图像目录：点击“Open Dir”按钮，选择包含你要标注的图片的文件夹。例如，选择dataset/images/train文件夹
2. 选择保存目录：点击“Change Save Dir”按钮，选择标注文件保存的目录。选择dataset/labels/train文件夹。
3. 选择YOLO格式：在菜单栏中，选择View -> YOLO格式。
4. 创建新标注：点击“Create RectBox”按钮，或者按快捷键w，然后在图片上拖动鼠标绘制一个矩形框。

   

5. 绘制完矩形框后，会弹出一个对话框，让你输入标签名称。输入对应的字符标签（如“A”、“b”、“3”等），然后点击“OK”。
6. 点击“Save”按钮，或者按快捷键Ctrl+S，保存标注文件。文件会以相同的文件名保存为.txt格式（如果使用YOLO格式）。
7. 重复步骤4，直到所有图片都被标注完成。                                                                         
8.  注：YOLO格式的标注文件是TXT文件，包含了每个标注对象的类别ID、矩形框的中心点坐标、宽度和高度（相对于图片宽度和高度的归一化值）。

     0 0.5 0.5 0.1 0.1
     1 0.3 0.3 0.2 0.2

4.训练YOLOv7模型

4.1克隆YOLOv7仓库：

   git clone https://github.com/WongKinYiu/yolov7.git
   cd yolov7
   pip install -r requirements.txt

4.2配置数据文件：

修改data.yaml文件，指定数据路径和类别信息。

4.3训练模型：

   python train.py --data data.yaml --cfg cfg/training/yolov7.yaml --weights 'yolov7.pt' --batch-size 16 --epochs 50

可能会产生如下报错

按报错信息进行安装。无cv2执行pip install opencv-python

4.4使用训练好的模型进行评估：

看上一次训练模型保存的best.py在哪个文件夹，例如exp5，则把下面的exp改成exp5。

python test.py --data data.yaml --weights runs/train/exp5/weights/best.pt --batch-size 2

4.5使用训练好的模型进行推理： 

python detect.py --weights 'runs/train/exp/weights/best.pt' --source 'dataset/images/train'