提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
2080TI Ubuntu18.04 torch1.8保姆级yolov5运行环境搭建
前言
提示:这里可以添加本文要记录的大概内容:
小编正在做一个项目,场景适用yolov5,选择该模型,也初次体验一下yolov5带来的“神奇体验”,随着人工智能的不断发展,深度学习这门技术也越来越重要,本文带小白一起踩坑。
一、引用资料
(一)、基础部分:
1.深入浅出Yolo系列之Yolov3&Yolov4&Yolov5核心基础知识完整讲解
2.深入浅出Yolo系列之Yolov5核心基础知识完整讲解
3.从V1到V4,让你读懂YOLO原理
(二)、代码部分:
4.YOLOv5代码详解(yolov5l.yaml部分)
5.YOLOv5代码详解(common.py部分)
6.YOLOv5代码详解(test.py部分)
7.YOLOv5代码详解(train.py部分)
(三)、优秀的实际应用:
8.实时吸烟目标检测
————————————————
二、未搭建深度学习环境的需阅读此部分
搭建深度学习环境(显卡驱动-cuda-cudnn-pytorch)
三、开始搭建运行环境
1.下载源码
本文使用的是yolov5官网下的源码(日期:2022年2月23日),稍后我会将本文使用的代码上传至百度网盘,供各位下载,以防官网更新代码,本文档不适用最新版本代码。
使用命令下载源码(最新),若需要历史版本,请在官网上选择master-tags进行切换下载zip文件:
git clone https://github.com/ultralytics/yolov5 # clone
cd yolov5
2.激活虚拟环境安装(未搭建虚拟环境的请查看此文档搭建)
conda activate YoloV5 # 未搭建虚拟环境的,也可忽略直接安装在系统的python3环境下
sudo apt-get install bzip2 libreadline-gplv2-dev libncursesw5-dev # 安装依赖
pip install -r requirements.txt -i http://pypi.douban.com/simple --trusted-host pypi.douban.com # install
- 建议适用命令一条条下载requirements.txt中的软件包
pip install matplotlib -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pip install opencv-python -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pip install opencv-contrib-python -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pip install Pillow -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pip install PyYAML -i http://pypi.douban.com/simple --trusted-host pypi.douban.co
pip install requests -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pip install scipy -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pip install tqdm -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pip install tensorboard -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pip install pandas -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
附上本人的环境版本
由于小编之前安装过pytorch1.8环境,遂将requirements.txt中torch+torchvision两部分使用“#”号注释。
3.实际测试
点击下载 yoloV5模型(访问码:jj3y)
模型放置yolov5目录下
- 使用摄像头测试
#进入虚拟环境
conda activate YoloV5
# 使用本地摄像头进行测试
python detect.py --source 0
测试成功