YOLOV5-7.0 环境搭建+训练数据集+目标检测实现 详细步骤

Yolo目标检测实现

---前言---

       关于这一部分的前段时间花了很长时间，踩了很多坑走了很多弯路，由于目前课题已接近尾声，今天一次性把yolo这一部分个人经验总结出来，有些部分并非原创，如遇到问题可以留言讨论，共同进步。

---

第一步，配置环境

下载anaconda和pytorch之前，确保CUDA CUDNN Pytorch 三者相匹配且对应同一一版本。

！！！ 这一点相当重要，如出不一致后面遇到问题会很麻烦

具体可参考博客：https://www.cnblogs.com/wzmm/articles/16478692.html

下载对应版本anaconda后，首先打开主程序查看程序能否打开，可以打开进行下一步。

输入win+R输入cmd再输入python查看当前python版本，（推荐python3.9）查看后关闭。

打开anaconda prompt 配置环境，输入以下代码搭建环境。

conda create -n pytorch python=3.9

输入清华镜像源代码：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

conda config --set show_channel_urls yes

输入完成之后，检查通道：

conda config --show channels

搭建完成后进入环境：

activate pytorch

---

  ###     介绍几个指令，可自行使用    ###

退出/关闭环境：

conda deactivate

查看已有的环境：

conda env list

删除环境：

conda remove -n mypytorch –all

---

进入环境后，输入下载pytorch代码安装：(根据自己对应的cuda版本下载，我这里是11.7，所以只下载这个版本的)

conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

下载完成后输入：

pip list

查看pytorch是否成功安装

查看torch与cuda的兼容性

在prompt中输入 python, 并输入以下代码：

import torch

print(torch.__version__)       #查看torch版本

print(torch.cuda.is_available()) #看安装好的torch和cuda能不能用，也就是看GPU能不能用

如显示True ,则GPU可用，继续进行以下步骤。

---

第二步，导入yolov5开源代码

在对应网站https://github.com/ultralytics/yolov5

下载相应版本的yolo文件包，解压到当前文件夹，通过pycharm打开。

点击设置，配置解释器，添加解释器，找到此路径D:\anaconda3\envs\pytorch 下的python文件，调出后看到torch包则成功。

配置解释器后，还不能直接运行测试程序，需要先加载。

点击pycharm下方的终端，输入

python -m pip install --upgrade pip

更新pip加载程序。

再输入

pip install -r requirements.txt

加载所需插件。

到此，配置成功，点击detect.py，并运行。

成功后进入train.py，在前排位置加一段代码：

import os
os.environ["GIT_PYTHON_REFRESH"] = "quiet"
import json
from git.repo import Repo
from git.repo.fun import is_git_dir

之后运行train.py，若成功，找到与yolov5同目录下的datasets文件，里面查看coco128，若已出现此文件夹，则此步骤结束。

---

第三步，训练自己的数据集

训练开始之前，需要安装labelimg标注插件，且有若干张图片。

首先复制coco128文件夹并粘贴到同目录下重命名ceshi，然后删除ceshi里面除文件夹以外的所有图片与cache等文件，并将自己要训练标注的图片拷贝至刚才创建到的目录下

实例：D:\LANMZ\Desktop\chongzuo\datasets\ceshi\images\train2017

输入win+R调出cmd 输入pip install lambelimg 安装标注软件。

（此步骤确保python版本要低于3.10，如果版本为3.10或者3.10以上的话会出现闪退的情况，亲测过！）

接着就可在cmd中输入labelimg，打开标注软件。

点击选择到以上创建好的文件夹，然后点击PascalVOC调出yolo,然后点击Change save Dir，选择到创建好的label文件夹。（save Dir代表的是标签位置）
实例：D:\LANMZ\Desktop\chongzuo\datasets\ceshi\labels\train2023

接着勾选三项，开始标注，标注完成后，查看label下的文件夹类别，记住类别的数量。

回到pycharm，找到data/coco128.yaml文件，将其复制并重命名ceshi.yaml，按照下图更改。（names需从0开始计数！！！不然会报错）
再复制models/yolov5s.yaml文件，重命名yolov5s_ceshi.yaml，并打开将nc值调为当前记下来的数量。

 ​​​​​​（PS：测试集和训练集理论上是二八定律，但我们学习途中可以直接都用同一路径）

 

完成后找到train.py

 调整以下参数并运行

运行成功后，找到训练完成的根目录

将best.py文件复制，拷贝到yolov5-7.0的文件下。

在终端输入：

tensorboard --logdir=runs/train

可查看训练参数。

---

第四步，验证训练好的数据集

再次打开detect.py文件，将yolov5s.pt修改成best.pt

并将需要验证的图片或视频放到路径下

第三行修改到data/ceshi.yaml

修改完成后运行，即可达到相应效果，Yolo训练模型制作完成。