YOLOV+pytorch+win10+CPU环境配置

Step 1：下载github YOLOV5源码

https://github.com/ultralytics/yolov5

Step 2：配置CPU+pytorch版本环境

Win+R启动cmd，在命令提示符内输入以下命令，创建一个新环境：

conda create –n yolov-pytorch python=3.7

激活环境：

activate yolov-pytorch

Step 3：安装YOLOV仓库中requirements.txt的安装包

注意如果是CPU版本，那么先不装torch和torchvision

pip install -r requirements.txt

安装CPU版本的torch与torchvision，这里参考该博客
torch版本与torchvision对应，请参考

# CPU only
pip install torch==1.7.0+cpu torchvision==0.8.1+cpu -f https://download.pytorch.org/whl/torch_stable.html

注意：配置环境的时候如果用的国内镜像，记得把VPN关了

成功配置如下：

Step 4：训练自己数据集教程

百度、谷歌出来的YOLO教程大多是老版的1，跟不上github仓库的更新频率，导致很多代码都用不了，推荐一个教程让大家少走弯路！
yolov5训练自己数据集,小白也能学会，详细教学

Step 5：测试命令

# 下载yolov5
-- git clone https://github.com/ultralytics/yolov5.git
或者在 https://github.com/ultralytics/yolov5 上下载zip包
-- 安装requirement.txt文件

# 测试自带的权重文件
python .\detect.py --source .\data\images --weights .\weight\yolov5n-7-k5.pt

# 收集数据集
从自然环境中收集数据集，但是图片最好具有多样性，采集在不同的天气、不同的时间、不同的光照强度、不同角度、不同来源的图片。
具体要求可搜索：YOLO官方推荐数据集需求。

# 标记数据集
使用labelImg 标记数据集，生成label

# 训练数据集
!python train.py --batch-size 2 --epochs 50 --data dataset1/data.yaml --weight weight/yolov5s.pt

# 测试
!python detect.py --source dataset1/test/images1 --weights runs/train/exp7/weights/best.pt --view-img

# 训练的比较好的一个weight
python .\detect.py --source C:\Users\gf66\Pictures\luoye --weights runs/train/leaf_det_model/weights/best.pt

python .\detect.py --source C:\Users\gf66\Pictures\luoye --weights runs/train/exp16/weights/best.pt

我的数据集下载地址：
「leaf」等文件 https://www.aliyundrive.com/s/7uoi6cn5WDF 提取码: h43e

训练好的权重文件下载地址：(下载后解压)
https://wwd.lanzoul.com/iRNlz07fk4da