yolov5的GPU更换，训练模型和使用

最近正在研究的一些项目都需要使用物体识别这个功能，所以专门研究了一下yolov5的使用，讲的可能不是很精确，但是还是值得记录一下的。

安装

安装的话这里就不过多说明了，因为网上非常的多，应该是没有问题的，我们直接说重点

CPU更换成GPU

当我们直接下载yolov5的包时一般默认的是cpu运行，但是cpu会比GPU满很多，比如我这里用cpu一张照片是11s左右，但是GPU只需要大概3s左右就能够完成

如果我们想使用GPU需要把自己的PyTorch卸载掉，然后进入官网安装

Start Locally | PyTorch

其中CUDA版本选择自己对应的版本，然后复制下面的命令运行即可

尽量不要用清华源

模型训练：

模型标记：

我们在模型训练前先对模型进行标记

先创建如下文件夹:

除了pen那个名称自定之外其他名称尽量相同，且都需要有，data.yaml文件按下面的格式写

names:
- pen
- bird
nc: 2
train: E:\Laboratory\yolov5\pen\train
val: E:\Laboratory\yolov5\pen\valid

如果有多个标签就按上面的格式写多个

nc为标签对应的个数，train就是train文件夹路径，val就是valid文件夹路径

然后把照片放到对应的image文件夹里，一个是训练的照片，一个是对照的照片

然后我们需要在cmd中下载一个可以标记模型的插件：labelImg

pip install labelImg

下载之后启动labelImg.exe就可以使用了

进行训练：

python train.py --batch-size 2 --epochs 150 --data .\pen\data.yaml --weights E:\pyitem\yolov5-master\yolov5s.pt

.\pen\data.yaml为文件夹中data.yaml的路径，最后一个为需要训练模型的路径

其中2代表每次训练几张，150代表一共训练多少次

照片识别：

将照片进行识别：

python .\detect.py --source .\data\images --weights E:\pyitem\yolov5-master\runs\train\exp7\weights\best.pt

用视频进行实时识别：

在detect.py同目录下创建一个文件夹stream.txt，在里面写入一个0以此代表使用本机摄像头，如果有USB摄像头则为1，2，3等。

将source注释掉，然后改为下面的这行。

 parser.add_argument('--source', type=str,default='stream.txt', help='source') #单网络多线程 实时检测

然后直接运行：delect.py即可