目录

一,环境配置

1.代码准备

2.环境下载

conda官网下载Anaconda

python IDE 下载官网https://www.jetbrains.com/pycharm/

3.下载YOLOv5所需的相关依赖库

pycharm环境下

conda环境下

4.安装pytorch

pytorch官网https://pytorch.org/

CPU版本

GPU版

5.检验

二,运行文件

权重数据下载

测试

总结


一,环境配置

1.代码准备

YOLOv5的代码链接

Github官方链接:
https://github.com/ultralytics/yolov5

2.环境下载

conda官网下载Anaconda

python IDE 下载官网https://www.jetbrains.com/pycharm/

一般的话下载社区版就可以了,专业版还需要收费才能使用

Anaconda安装完成后打开Anaconda Prompt命令行输入

创建一个新环境,并激活进入环境。

# 创建了名叫road,python版本为3.8的虚拟环境conda create -n road python=3.8# 激活并进入road环境conda activate road

点击下载python扩展

激活进入环境

3.下载YOLOv5所需的相关依赖库

下载requirements.txt 里面所有的依赖包

下载可在pycharm里也可以在conda环境里

pycharm环境下

进入终端

在终端中

#下载requirements.txt 里面的依赖包pip install -U -r requirements.txt#或者下面的也行pip install -r requirements.txt

conda环境下

在road环境里进入YOLOv5项目

由于我的文件是放在桌面的,所以直接通过桌面进入了,输入时请个人注意一下文件路径

进入之后也是输入

#下载requirements.txt 里面的依赖包pip install -U -r requirements.txt

4.安装pytorch

安装时要注意一下由于是在外网下载所以下载比较慢,所以要先换源

这里推荐使用清华源

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 --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 --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/#然后再确认一下conda config --set show_channel_urls yes

之后进入pytorch官网https://pytorch.org/

CPU版本

代码复制下来,在环境中运行

GPU版

GPU版本由于计算机配置不一样,有的人cuda10.2可以运行,cuda11.3无法运行,这里可以先弄清自己电脑的GPU,再选择适合自己的版本。

安装与CPU方法相同,复制运行下载即可

5.检验

在刚刚建立好的road环境下进入python

导入库

import torch

查看pytorch版本

print(torch.__version__)

如果结果没报错那么pytorch就安装完成了

如果要检验GPU版本是否安装成功只需要查看一下GPU是否可用,如果是True则代表安装成功

就可以使用GPU了

torch.cuda.is_available()

二,运行文件

权重数据下载

官方pt权重文件的下载速度太慢了,所以将自己的分享给大家

链接:https://pan.baidu.com/s/1d0xp8ejYO-suovgN1A-Gvg
提取码:

xfza 

将权重数据放到yolov5-master大目录下

接下来检验一下我们所配置的环境有没有问题

测试

在pycharm的terminal(终端中输入以下命令进行模型的测试:

python detect.py --source data/images/ --weights ./yolov5s.pt

测试的图片是data目录下的图片,使用的权重数据就是刚才下载的yolov5s.pt,检测结果图片存放在系统新建文件夹data/runs/中。

测试图片:

检测结果图片:

总结

本篇文章主要是讲解如何配置yolov5环境,涉及到pytorch的GPU版本和CPU版本的安装会有所区别,因为在进行大量数据的运行时两者跑的速度可以说是天差地别,所以建议大家能用GPU跑的千万不要用CPU跑,当然环境配置好之后还涉及到个人的模型训练,在此文中不做讲解,如果有必要的话,咱们再说吧。