yolov5+ros 识别交通信号灯实战第一节：yolov5运行环境搭建

操作系统：Ubuntu20.04
ROS版本：neotic
CUDA版本：12.2

闲来无事想用 yolov5 实现交通信号灯的检测，记录下过程，效果如下：

1. 安装 Anaconda

1.1 安装Anaconda

Anaconda 下载地址，打开的界面如下：

点击 Download 按钮下载，下载完成后打开终端（打开终端的快捷键为：ctrl + alt + t），切换到保存 Anaconda 的目录，输入如下指令，文件名或许不一样，输入前几个字母（Linux大小写敏感）然后按 tab 键可自动补全。

bash Anaconda3-2024.02-1-Linux-x86_64.sh

如下图所示，然后按 ENTER 回车键

出现如下界面，继续按 ENTER 回车键

出现如下界面，可以一直按 ENTER 回车键

直到出现如下界面，这里询问你是否同意软件许可，输入 yes 后按 ENTER 回车键。

出现如下界面询问软件安装位置，默认安装路径为红色框中的路径，新手不建议更改，所以继续按 ENTER 回车键。大神随意，我选择默认位置，回车后等待软件安装完成。

开始安装

安装完成后会出现询问是否启动默认环境的选项，输入 yes 后按 ENTER 回车键继续

OK，安装完成

关闭当前终端，重新打开终端（ctrl + alt + t），可看到效果，前面的（base）表示默认环境

总结一下，Anaconda 的安装很简单，一路回车，一路 yes，就能到达目的地

1.2 Anaconda加速

在终端中输入如下命令，打开 conda 的配置文件

sudo gedit ~/.condarc

在打开的文本文件中，输入以下内容，目的是换源，这样在创建 conda 虚拟环境时，下载速度非常快

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

效果图如下，ctrl + s 保存后关闭

2.创建 yolov5 运行环境

2.1.环境创建

终端输入如下命令，然后按 ENTER 回车键

# yolov5 为环境名称
# 指定python的版本为3.8
conda create -n yolov5 python=3.8

出现如下界面，输入 y 后按 ENTER 回车键

安装过程如下：

安装完成的效果图如下：

2.2.安装 pytorch

终端输入如下指令，进入创建好的 yolov5 环境

# 最后的yolov5是环境名称
conda activate yolov5

回车之后，可以看到前面的 base 变成了 yolov5，接下来的操作全是在创建的 yolov5 环境中进行

在安装 pytorch 前，先给后面的pip安装加个速，在终端输入如下命令：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple/

终端输入 nvidia-smi 查看自己的 CUDA 版本，比如我的是 12.2，同时可以查看自己GPU的显存，比如我的是6GB

然后在 pytorch 官网 查找对应的版本

尽可能选择与你 CUDA 一致的版本，没有12.2 我选择 CUDA 12.1，输入如下命令：

conda install pytorch==2.2.0 torchvision==0.17.0 torchaudio==2.2.0 pytorch-cuda=12.1 -c pytorch -c nvidia

出现如下界面，输入 y 后按 ENTER 回车键

安装ing持续等待，有代理或梯子速度很快，反之时间长短因人而异

OK，安装完成

到这里 yolov5 的环境已备好，继续

3.运行yolov5

3.1.源码下载

先给 yolov5 创建文件夹，然后下载源码，签出最新版本

mkdir workspace && cd workspace
git clone https://github.com/ultralytics/yolov5.git
cd yolov5/
# 使用最新版本 7.0，带语义分割
git checkout v7.0

然后安装 yolov5 的依赖，使用如下命令，有代理或梯子速度很快，反之时间长短因人而异

pip install -r requirements.txt 

安装完成

3.2.模型下载

在 yolov5 目录下新建目录 weights，用于存放下载的模型文件，模型下载地址为：https://github.com/ultralytics/yolov5/releases，注意选择 v7.0 的模型文件，我们下载两个：yolov5s.pt（检测模型）和 yolov5s-seg.pt（检测+分割模型），下载完成后放在刚才创建的 weights 目录下

3.3.目标检测

开始运行检测模型，在终端中输入如下命令：

# 第一个参数，weights 表示使用的模型文件
# 第二个参数，source 表示需要检测的图片
# 新手只用输入这两个参数就可以了
python3.8 detect.py --weights weights/yolov5s.pt --source data/images/

运行成功，结果保存路径：runs/detect/exp，第一个红色框表示模型推理运行在GPU上，去看看效果，完美！

3.4.目标分割

开始运行分割模型，在终端中输入如下命令：

# 第一个参数，weights 表示使用的模型文件
# 第二个参数，source 表示需要检测和分割的图片
# 新手只用输入这两个参数就可以了
python3.8 segment/predict.py --weights weights/yolov5s-seg.pt --source data/images/

运行成功，结果保存路径：runs/predict-seg/exp，第一个红色框表示模型推理运行在GPU上，去看看效果，完美！

关注作者，回复 yolov5 获取完整代码和训练数据集

文章内容仅供学习参考，如有侵权，非常抱歉，请立即联系作者删除。