深度学习yolov5个人学习感悟

写在前面：关于这一领域大家知识程度都参差不齐，我自认为我是比较差的一批，目前我也没有将这一领域彻底搞明白，写此博客的原因是想记录一下自己的学习过程，方便以后回忆，也恳请一些大佬对我表述的不对地方或者我自己也想请教的地方进行指点，也希望本文能对那些像我这样基础的人提供一丢丢帮助。

        作者非计算机科班，跨考计算机调剂到此，基础并不好，也只能挣扎着向前，目前是在一个研究所里联培，所里的生源并不好，我上面没有研二的学长，只有一个研三的学长，我到所里没几个月研三学长就毕业走了，现在做的东西也算是接着他的做的，但他几乎没对我指导过什么，只知道他也是靠yolo毕业的，导师也不是搞这一方面的，内容上也指导不了什么，自己摸索！！！！！！

        本篇文章只谈我自己的见解，是按照我自己的学习顺序来介绍的，如有不对或其他建议，欢迎评论，我会不定期修改

我自己的电脑时Windows系统，没有GPU，实验室有一台装有3*NVIDIA GeForce RTX 3090的Linux系统的主机，我通过finalshell进行连接使用，后续实验数据大概率是从这台设备上出，不过前面一段时间我都是先在我自己的电脑上试运行，毕竟图形化界面比较好操作

1、安装anaconda和pycharm

        这部分没啥难度吧，帖子有很多，就不细讲了

        参考：Anaconda和Pycharm超详细安装教程（2023版本+Win11）TYmQt

        关于anaconda可以查看这个视频进行了解： 初入深度学习：通俗易懂环境管理工具Anaconda究竟是什么？怎么用？快速上手Anaconda

        anaconda我个人觉得挺好用的，如果感觉anaconda太大可以安装miniconda

        这是我自己总结的一些基本的conda终端指令：

2、下载YOLOv5

        下载链接：GitHub: YOLOv5 

        我个人下载的是yolov5-6.0版本

        下载完成后顺便向下拉，把yolov5的一个权重文件下载下来，放在yolov5项目文件夹下，后续会用：

3、配置yolo环境

        yolo的环境配置要求都写在了项目文件中的requirements.txt文件中了，建议在conda终端中新建一个新的conda环境去安装(python版本根据自己需求更改)：

conda create -n yolov5 python=3.8	创建新的conda环境

接下来首先安装pytorch，查询自己版本CUDA对应的pytorch版本

如何查看自己CUDA版本，链接：

CUDA学习（一）——如何查看自己CUDA版本？

如果有GPU但没有CUDA，需下载CUDA驱动，注意，CUDA版本需和GPU型号对应

然后进入pytorch官网，选择合适的版本

官网：Previous PyTorch Versions | PyTorch

推荐使用1.8.2长期支持版本，推荐使用pip命令安装

将自己对应版本复制到终端进行安装

打开yolo文件中的requirements.txt文件，将pytorch和torchvision注释掉，因为上面已经下载过了

移动到yolo所在文件夹下执行下面的指令，下载需要的包

pip install -r requirements.txt

复制指令进行下载

下载完成后运行看看是否能跑通

执行        python detect.py

然后执行        python train.py

报错：

查了一下，发现是numpy版本太高导致的，将numpy卸载重新拉一个低版本的就行

接下来基本的运行就没啥问题了

4、yolov5介绍

大家看到这个帖子，yolov5是啥估计也不用我多说，主要介绍一下项目里的文件，只介绍一些比较重要的：

train.py：这是训练模型时需要用到的文件

detect.py：这是训练好后使用训练权重文件进行检测的文件

.pt文件：就是上面下载yolo时让大家拉到下面下载的那个文件，后面如果大家训练了自己的模型后，也会生成这个pt文件，保存在runs/train/exp文件夹下

models/yolov5s.yaml文件：这里存储的是当前yolov5所使用的网络模型，后续创新点基本上也是在这些网络模型上，我们可以根据自己的场景，选择适合的模型；

5，

东西多，一时半会写不完。后面会补充