YOLOv5复现步骤及cmd命令(自用)_怎么在yolov5-master中打开cmd的yolo环境-CSDN博客

本文链接：https://blog.csdn.net/qq_40509664/article/details/142029495

git 工具下载(小白所以没用过，但不用不行)

1.清理缓存(下载超时失败后)

pip cache purge

2.conda创建环境

win+r:打开命令输入cmd

虚拟环境创建：conda create --name yolo python=3.9，输入y

查看已经创建的所有环境：conda info -e

查看当前环境下的list: 1）激活当前环境 conda activate yolo（yolo为自己起的环境名字） 2) conda list

退出激活环境：conda deactivate

2.官网下载YOLOv5(zip文件)

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

3.依赖包下载

下载后解压，在解压文件夹输入cmd,激活创建的环境；

1）激活刚才创建的环境：conda activate yolo；2）下载依赖包：pip install -r requirements.txt (一般都得用镜像源：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple)可以conda list查看环境下的下载列表

4.detect 测试

在pycharm中打开yolov5文件：

选择interpret setting为建立的yolo环境运行detect.py测试——成功显示：

5. 数据集标注（公开的可能无需标注）

yolov5官网用户数据集训练的指导：官网有标注工具，没学会https://docs.ultralytics.com/yolov5/tutorials/train_custom_data/#23-organize-directorieshttps://docs.ultralytics.com/yolov5/tutorials/train_custom_data/#23-organize-directories

注：yolov5数据label中为class x_center y_center width height; txt文件

数据集标注

labelme或者labelimg，(这里采用labelme)下载地址：https://github.com/labelmeai/labelme解压，打开下载位置文件夹(操作同上)设置虚拟环境

conda create --name=labelme python=3.9
conda activate labelme
激活labelme虚拟环境：conda activate labelme；

下载： pip install pyqt5 -i https://pypi.tuna.tsinghua.edu.cn/simple

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

使用labelme:Labelme安装与使用教程：为机器学习提供精准标注数据-百度开发者中心 (baidu.com)

win+r 输入cmd ；激活labelme环境；输入labelme可直接打开：

标注好保存格式为jons文件，转txt方式参考：【Yolov5】1.认真总结6000字Yolov5保姆级教程（2022.06.28全新版本v6.1）_yolov5教程-CSDN博客https://blog.csdn.net/m0_53392188/article/details/119334634

YOLO v5 实现目标检测（参考数据集&自制数据集） - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/269587479

注意：数据集的label是一张图对应一个txt文件，并且label名字与image应该相同。

(官网指导)数据集文件和model文件的目录格式：

数据集和yolo文件夹并列存放

6.代码解读

【目标检测】目标检测界的扛把子YOLOv5（原理详解+修炼指南）-腾讯云开发者社区-腾讯云 (tencent.com)https://cloud.tencent.com/developer/article/2054281 YOLOv5 模型结构详细讲解_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1zB4y1L7Ay?p=2&spm_id_from=pageDriver&vd_source=36a3ea40fdb2ee3d82d19f88b0e532f0 YOLOv5之autoanchor看这一篇就够了 - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/544066075 6. Windows系统上训练PASCAL VOC数据集._哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1sHHSetEA3/?p=6&spm_id_from=pageDriver&vd_source=36a3ea40fdb2ee3d82d19f88b0e532f0

以下为个人标注版yolov5s.yaml文件如下：(模型的主要结构；注意：自添加的注释会导致报错)

# Ultralytics YOLOv5 🚀, AGPL-3.0 license

# Parameters
nc: 80 # number of classes    coco数据集有80类
depth_multiple: 0.33 # model depth multiple     调节网络模块层数
width_multiple: 0.50 # layer channel multiple   网络输出通道数调整channel
anchors:
#这个参数是怎么实现的？
  - [10, 13, 16, 30, 33, 23] # P3/8  小目标检测
  - [30, 61, 62, 45, 59, 119] # P4/16
  - [116, 90, 156, 198, 373, 326] # P5/32  大目标检测

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [
    [-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2  #-1表示从前向传递，1表示重复次数为1；
                                            #输出channel为64,k=6*6,stride=2,padding=2
    [-1, 1, Conv, [128, 3, 2]], # 1-P2/4  #以下默认无padding ;
                                          #P2/4 :表示输出特征图变为原来的0.25
    [-1, 3, C3, [128]],                  #c3是单独的模型
    [-1, 1, Conv, [256, 3, 2]], # 3-P3/8
    [-1, 6, C3, [256]],
    [-1, 1, Conv, [512, 3, 2]], # 5-P4/16
    [-1, 9, C3, [512]],
    [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
    [-1, 3, C3, [1024]],
    [-1, 1, SPPF, [1024, 5]], # 9             ##yolov5改进SPP——SPPfast
  ]

# YOLOv5 v6.0 head
head: [
#neck:
    [-1, 1, Conv, [512, 1, 1]],
    [-1, 1, nn.Upsample, [None, 2, "nearest"]],
    [[-1, 6], 1, Concat, [1]], # cat backbone P4
    [-1, 3, C3, [512, False]], # 13

    [-1, 1, Conv, [256, 1, 1]],
    [-1, 1, nn.Upsample, [None, 2, "nearest"]],
    [[-1, 4], 1, Concat, [1]], # cat backbone P3
    [-1, 3, C3, [256, False]], # 17 (P3/8-small)

    [-1, 1, Conv, [256, 3, 2]],
    [[-1, 14], 1, Concat, [1]], # cat head P4
    [-1, 3, C3, [512, False]], # 20 (P4/16-medium)

    [-1, 1, Conv, [512, 3, 2]],
    [[-1, 10], 1, Concat, [1]], # cat head P5
    [-1, 3, C3, [1024, False]], # 23 (P5/32-large)
#detector:
    [[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
                                   ##检测层挂在17,20,23层后面
  ]