6、yolov5目标检测，环境搭建，安装使用

一、下载安装

英伟达驱动、cuda、cudnn、vs-studio安装
系统环境配置：：：    nvidia的cuda、cudnn     （我的是较好用的 cuda11.3   cudnn 8.1 win×86）
安装配置完成后！重启电脑！！！

安装 pytorch： cuda 11.3
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113
conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch          # conda下载，相对pip较快！！但是检测环境耗时较长！
安装git工具：                      conda install -c anaconda git

克隆仓库：    git clone https://github.com/ultralytics/yolov5.git     #（记得挂飞机！！）
进入下载后的目录，    cd yolov5             下载相关依赖： pip install -r requirements.txt

二、训练自定义数据

###    2.1 标注部分：

1、标注工具： label-img，直接拷贝过来，放在某一个文件夹中使用！！！
2、待标注图片：分为train和val两个文件夹，也同样，标签数据也建立一个文件号夹lable，里面有两个文件夹，train和val....
3、分完文件夹之后，打开lableImg目录下的data文件夹，里面有分类的txt文件！！！，可修改分类！！！          （    predefined_classes.txt    ）不要有空格，和特殊符号！！！
4、重新打开 lable IMG程序！！！

5、train_img和 val_img文件夹图片，lable img分别打开文件夹open-dir，修改save-dir为 train_lable 和val_lable
6、修改pasc vocal格式为 yolo，即可开始标注图片！！！       （复制出来的单exe文件，类别无法跟随！！！依赖data目录！！）

7、lable-img快捷键：  w画框、a左、d右，ctrl+s 保存！！！    Ctrl++放大， Ctrl-- 缩小
8、解压已经标注好的数据集，

###    2.2  训练部分

1、修改yaml文件，复制一份coco128.yaml，修改成自己的名字coco_chv.yaml,  
    path： 相对于yolov5文件夹的相对目录（运行文件：train.py），（上级目录： ../...），（imgs和lables的根目录）
    train： 当前path下的 train，    ./images/train            val： 当前path下的 val，    ./images/train    
    nc： 类别的数量，当前工地防护，总的是6类，    （    ps.新版本取消了这个，直接填写类别就行了！！！ ）
    name： 6类的名称！！
    download，是     下载对应的脚本，可以删掉！！！

2、修改model下的yolov_n 的模型的文件，复制一份yolov5n.yaml，（.pt：权重，.yaml：模型）
    修改成自己的名字yolov5n_chv.yaml,  
    yolov5n.yaml，只需修改类别数量nc，nc为 6即可！！！
3、模型yolov5n.pt，即为预训练文件，为什么需要预训练文件，
    因为训练样本较少，基于已有的模型，训练效果更好！
    减少训练时间，提升训练效果！

###    2.3 开始训练！