yolov5实现目标检测

1、数据集准备

根据自己的需要在网络上下载开源数据集，数据集下载可以从论文里找，部分论文公开了相关的数据集。注意下载的数据集格式，有的是图片类型的数据集然后附带标注好的标签。有的是视频（这部分内容暂时也没弄明白）。

2、环境配置

环境配置比较麻烦，可参考

利用Anaconda安装pytorch和paddle深度学习环境+pycharm安装---免额外安装CUDA和cudnn（适合小白的保姆级教学）_将python的版本切换为paddle环境中的python插件-CSDN博客 这里有详细的步骤。对于环境，我觉得可能就是因为不同的项目可能会用到不同的包的版本，但是在一台电脑上又无法安装多个版本，因此有了这个anaconda这个软件，他可以创建多个不同的环境，在每个环境里安装自己需要的包的版本。最后就是项目的创建，我也不确定我理解是否正确，我之前认为每次创建一个新的项目，都需要在对应的环境中，其实好像并不是这样，所谓环境就是一个包含了不同版本的包安装环境，项目存在哪里不重要，主要是在执行.py的解释器，选择你需要的环境下的解释器运行代码就可以了。

3、训练

我当前学习的是yolov5，训练的过程中也有一些需要注意的地方，首先我先对训练这个过程梳理一下。训练需要修改的有三个文件，一个是数据集文件，一个是训练网络模型文件，还有一个train.py。所谓的数据集yaml文件就是data下面的配置文件，这文件的作用就是提供数据集的图片地址、标签地址告诉模型，还包括了数据中的类别。另一个就是models目录下的模型配置yaml,这里是修改网络结构的地方，最后就是在train.py中修改训练参数，包括上述两个文件的路径配置，以及训练次数，GPU使用等。训练结束后，会生成一些训练结果文件在run目标下的train中，其中的weights目录下是模型权重用于下一步检测。

4、检测

在detect.py中修改的参数是权重，即上一步训练的结果best.pt, 待检测的文件目录配置等，这样就完成了一整个目标检测的训练检测。