【YOLO】yolov5-3.1版本环境搭建

引言

前面介绍了yolov5训练自定义的数据集，对于训练环境的配置粗略带过，于是这篇博客整理下环境搭建的详细步骤（笔者在Windows下成功搭建并训练，Ubuntu下还未尝试，有成功搭建的欢迎在评论区分享）。

一、创建一个python3.7的环境并打开

conda create -n name python=3.7 #name自己改
conda activate name

---

二、在虚拟环境安装cuda和cudnn和安装各种库

conda install cudatoolkit=10.2.89 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/linux-64/
conda install cudnn==7.6.5 -c https://mirrors.ustc.edu.cn/anaconda/pkgs/free/

---

安装依赖库：

pip install numpy==1.19.4 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install tqdm -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pillow -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install tensorboard -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pyyaml -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install scikit-image -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install Cython -i https://pypi.tuna.tsinghua.edu.cn/simple 
pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple 

---

三、安装pytorch

pip install torch===1.6.0 torchvision===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.douban.com/simple

特别注意：cuda和pytorch之间的版本需要相互对应(根据个人需要，笔者这里的对应版本可以成功运行)

四、下载YOLOV5模型和源码(3.1版本)

源码和权重文件：https://github.com/ultralytics/yolov5/releases/tag/v3.1
将权重文件解压到源码里。

五、安装pycocotools库（需安装visual studio）

git clone https://github.com/cocodataset/cocoapi.git（也可以在官网下载）
cd cocoapi/PythonAPI
python setup.py build_ext --inplace
python setup.py build_ext install

然后将pycocotool文件夹复制到源码文件夹中

六、测试环境

进入源码夹，输入：python detect.py
没问题，则搭建成功。