本地部署yolov5&训练自己数据集

yolov5本地部署

第一章：在windows本地部署yolov5&训练自己的数据集

---

---

前言

本文主要介绍在windows本地通过Anaconda虚拟环境搭建yolov5训练环境，以及如何训练自己的数据集，
若在这过程中遇到问题可私信，我看到会第一时间进行解答。-----发布的第一篇文章如有不足还望包涵！

---

一、Anconda的安装

首先是Anaconda下载链接：

https://www.anaconda.com/download/success

根据提示安装即可（建议默认安装位置C盘，空间足够的情况下，若勾选注入PATH环境变量可填过下一步的配置）

1、Anconda的环境变量配置

以默认安装路径为例，存放于C:\Users\你的用户\anaconda3，根据自己的电脑所安装的目录来，将以下环境变量路径添加到PASH中

C:\Users\BMC\anaconda3\
C:\Users\BMC\anaconda3\Scripts\
C:\Users\BMC\anaconda3\Library\bin
C:\Users\BMC\anaconda3\Library\mingw-w64\bin

二、Conda环境配置

1.创建conda虚拟环境

通过开始菜单栏打开Anaconda Prompt(配置Anaconda环境变量后也可以使用cmd，效果相等)

创建conda环境,在终端中输入以下指令（出现是否进行下载输入y即可），-n 名字自拟 ，固定python版本为3.8

conda create -n yolo python=3.8

打开创建的环境

conda activate yolo

2.pytorch配置

打开pytorch官网

https://pytorch.org

根据自己情况是使用CPU训练还是通过GPU训练（CUDA版本查看方法文章末尾）
复制相应版本配置命令，粘贴至conda虚拟环境中进行配置下载（出现是否进行下载输入y即可）,若无法下载见文章末尾

3.标注软件labelimg

在conda环境下,输入以下命令安装(打开该直接输入labelimg即可)

pip install labelimg

三.yolov5项目配置

1.下载yolov5文件夹：

项目文件夹

https://github.com/ultralytics/yolov5/releases/tag/v7.0

下载所框选的这两个文件，yolov5s.pt为训练权重，Source code为下载yolov5项目压缩包

2.配置yolov5文件夹

将压缩包解压至你想存放的文件夹，我这里演示存放于桌面
将刚才下载的yolov5s.pt复制到项目文件夹下

建立一个用于进行训练的图片和标注文件存放的文件夹，举例取名为test
其下有存放图片的文件夹images以及用于存放标注文件的labels文件夹
路径为：
C:\Users\BMC\Desktop\yolov5-v7\test\images
C:\Users\BMC\Desktop\yolov5-v7\test\labels\

将models文件夹下的yolov5s.yaml复制到根目录文件夹下

在根目录下创建一个文本文档改名为test后缀改为.yaml
添加以下内容：

train: C:\Users\BMC\Desktop\yolov5-v7\test\images\train\		#训练集路径,路径根据自己的来
val: C:\Users\BMC\Desktop\yolov5-v7\test\images\train\		#两相同路径
nc: 1		#标签的数量，标注时所使用的标签数量	
names: [‘A’]		#引号内为标注时的标签名字，若为多个逗号隔开即可，举例为A,完成后退出保存即可

保存退出即可，完整如下

3.安装yolov5需求库

回到上面的conda虚拟环境终端中
进入yolov5项目文件夹（可使用命令 cd）

在该文件夹下输入以下命令完成需求库的版本检查及下载安装（若pip下载速度太慢或失败见文章末尾）：

pip install -r requirements.txt

三.最后测试

1.train（用于训练）

通过测试train.py是否能过正常运行（不修改train.py文件的情况下），命令如下：

python train.py --data test.yaml --cfg yolov5s.yaml --epoch 100 --batch-size 8

–data:指定训练集配置文件位置（因为存放于根目录下无需指定文件夹）
–cfg:指定训练权重配置文件位置（原始存放于modes文件夹内，即/modes/yolov5s.yaml，将其复制到根目录下，直接引用yolov5s.yaml即可）
–epoch：训练轮数（想要训练的轮数，测试为100轮）
–batch-size：批大小（默认使用8，该值越高速度越快，gpu占用也越多，根据自身使用并非固定，最小为4，也并非越大越好）

通过修改train.py文件的方式来运行测试，相同效果，修改指定文件路径及其数值即可，再运行命令：

python train.py

训练自己的数据集的顺序>选择图片并完成标注（yolo类型txt格式）存放至test文件夹并修改test.yaml配置文件在进行训练

2.detect（用于验证训练精度）

测试detect.py文件，(已经完成训练的情况下)命令如下：

python detect.py --weight runs/exp/weights/best.pt --source test/images/train/

–weight:指定训练集后的检测权重best.pt文件位置
–source:指定检测集文件位置（这里直接检测的训练集）
也可使用修改detect.py文件参数的方式直接命令python detect.py也是可以的，和上面train.py修改方式相同

若并未进行训练只是测试detect.py是否能够正常使用可直接命令：

python detect.py

训练后的参数文件夹存放位置在根目录runs\train\exp
训练后所生成的best.pt文件在exp\weights\中

通过detece检测出的置信度图片存放于根目录下的runs\detect\exp\

无论是通过train来训练还是通过detect来检测置信度，其最后都会提示exp文件夹，
后续在使用detect进行置信度检测时修改你对应的exp文件夹即可

在完成训练后得到exp文件夹，比如我得到的是exp64
那么我要进行验证时就需要使用exp64例：python detect.py --weight runs/exp64/weights/best.pt --source test/images/train/
若要和其他的图片进行验证不与训练使用的图片进行验证只需要改–source 后的文件夹路径即可，假如我想和训练之外的图片进行验证，图片存放于项目文件夹根目录下的一个名为yanzheng的文件夹，这里面存放着训练使用之外的图像，例：python detect.py --weight runs/exp64/weights/best.pt --source /yanzheng/，即可。

到此即可食用！

疑问解答

1.CUDA版本

通过cmd终端输入以下命令查看CUDA版本（英伟达显卡）

nvidia-smi

2.pip下载问题

在使用pip下载时，出现下载失败或者特别慢的情况只需要更换下载源即可：

临时更换只需在命令后添加指定下载镜像源使用-i来引用，例如（清华大学镜像源）：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

---

若想永久配置镜像源：

在当前用户目录下创建一个名为pip的文件夹，比如 C:\Users\你的用户名\pip。
在pip文件夹中创建一个名为pip.ini的文件。
用文本编辑器打开pip.ini文件，在其中复制以下内容保存即可：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
[install]
trusted-host=pypi.tuna.tsinghua.edu.cn

---

3.conda下载问题

在使用conda下载库时下载特别慢或一直下载失败也是更换下载源即可：

在conda虚拟环境中依次输入以下指令：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
conda config --set show_channel_urls yes

还有一种方法时通过直接本地修改配置文件的方式,文件存放于 C:\Users\你的用户名.condarc，
通过记事本打开该文件并添加以下指令：

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/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
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

若在conda的安装命令中有 -c来指定安装通道，若像本文中引用的是pytorch和nvidia，可能因为服务器不在国内，区域性的原因等，那么以上这两种方法是没有作用的，唯一的方法是链接外网来进行下载！