yolov5-7.0实现训练推理以及C#部署onnx

一、本文是讲yolov5-7.0的算法实战实验官网下载新的 YOLOv5 版本 v7.0 实例分段模型是世界上最快、最准确的模型，超过了所有当前的 SOTA 基准测试。我们使它们的训练、验证和部署变得非常简单。以下命令重现 YOLOv5 COCO 结果。模型和数据集自动从最新的下载 YOLOv5 版本。YOLOv5n/s/m/l/x 的训练时间为 V100 GPU 上 1/2/4/6/8 天（多 GPU 速度快 1 倍）。使用 最大可能，或通过 YOLOv5 自动批处理。显示的 V100-16GB 的批处理大小

二、环境搭建

       anaconda 2021版本就行下载

      pycharm 直接安装社区版就行

       opencv-4.7.0

       torch-1.13.0  torchaudio-0.13.0  torchvision-0.14.0   cuda-11.7  cudnn只要和cuda对应就行cudnn-windows-x86_64-8.7.0.84_cuda11-archive

       cuda各个版本的Pytorch下载网页版，还有各个链接_cuda国内镜像下载网站-CSDN博客

       其他的就可以pip就行了

关联conda和pycharm 

点击设置然后到这个页面

点add Interpreter

use是你有的环境，new是你想要新建的环境

注意环境name不能有特殊符号—和其他，但是下划线可以  _

环境会生成再anaconda文件的envs中 如果你有现成的环境直接复制过来就行然后再上面的use现有环境中选择就行

三、标注

      打开pycharm 终端

这是因为cmd终端路径不对，点击加号旁边的下标 然后点击 

改成下面这个

如果还是不行直接点这里

然后终端中安装labelimg

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

   再终端运行输入 labelimg 回车

如果想把自己的标签导入labelimg中直接再下方路径里创建一个data文件夹添加你的classes.txt文件就行了

F:Anaconda3\envs\ 你安装labelimg的环境 \Lib\site-packages\labelImg

然后打开yolov5-7.0的项目文件

改的   .yaml文件和yolov5其他版本一样

改成你自己的路径和文件就行了  如果显示页面不足或者cuda_cudnn不匹配那大概率是你电脑不行  把bat_size改小   然后用终端输入

python  train.py --cache

这个利用你的内存和盘进行跑的  所以如果电脑不太行用这个跑，最好不要再打开什么了 不然内存不足容易电脑容易崩，

如果训练中途断了，可以打开train.py 把这里改成True 再次运行。

四、训练完成后预测

打开这个文件

  

修改这两处

然后run就可以了

如果有误报查看你的误报图片上面的置信度。

比如这个置信度为0.54和 0.46 的误报  可以打开推理文件

将conf改为0.6和iou改为0.55只要超过图片中就行然后在推理 就会被滤掉。

自此yolov5-7.0训练推理全部结束。其实yolov5系列的环境以及训练方式都差不多。

五、C#部署

模型转化以及C#模型读取都在下方链接处👇👇👇👇

C#调用yolov5模型转化onnx模型实现C#模型部署_c# yolov5-CSDN博客

有问题评论区