2024最新 yolov5 环境配置详细教程

admin管理员组

文章数量:1597901

文章目录

• 前言
• 一、什么是 yolov5？
• 二、部署过程
• • 1. 下载 Python 3
  • 2. 安装 PyTorch
  • 3. 获取 yolov5 源码
  • 4. 参数解释以及运行示例代码
  • 5. 使用自己的图片训练
• 总结

---

前言

在深度学习领域，计算机视觉技术的发展日新月异，不断推动着图像识别、目标检测等应用的革新与进步。作为这一领域极具影响力的框架之一，YOLOv5以其卓越的速度、准确性和易用性，成为了众多开发者和研究者进行实时目标检测任务的首选工具。尤其是其基于PyTorch实现的简洁架构，不仅便于理解和修改，还能够无缝对接Python丰富的生态系统，进一步提升了开发效率与灵活性。

然而，面对YOLOv5与Python环境的搭建，初学者往往面临诸多挑战：如何高效配置依赖环境？如何确保兼容性强、性能优的硬件加速支持？如何从源码编译到项目实战，步步为营地展开深度学习之旅？本文正是为此应运而生，旨在提供一份详尽、实用的Python与YOLOv5安装教程，引领读者顺利步入目标检测技术的大门。

---

一、什么是 yolov5？

yolov5 是实时目标检测模型，以高效、精准著称，采用Focus、CSP、SPP等结构，通过网格划分预测物体位置、类别与置信度，运用Mosaic增强泛化性，提供多种尺寸变体，兼顾速度与精度。

二、部署过程

1. 下载 Python 3

下载 Python 3 的教程单独发了一篇文章，详细讲述了如何安装 Python，VSCode 以及 PyCharm。详见：Python 最新详细安装教程+ IDE (VSCode, PyCharm) 使用教程。接下来的内容将默认读者已经阅读完那一篇文章。

2. 安装 PyTorch

PyTorch 的安装取决于本机实际硬件情况。因此 不建议 直接从 pip 上下载，而是从 PyTorch 官网 获取下载链接下载。

N 卡用户初次使用 PyTorch 时，往往会在上面界面中的 Compute Platform 中感到疑惑，如果正确安装了N 卡驱动，在终端输入：

nvidia-smi

便可以看到 CUDA 版本。选择和上方给出的版本中最接近的一个版本，复制给出的命令，在终端中粘贴，等待下载安装完成。由于 PyTorch 体积较大，此处可能会占用不少时间。

3. 获取 yolov5 源码

进入 yolov5 的 Github 仓库，下载 源代码 到任意位置，要求全英文路径。

源代码下载并解压完成后，在地址栏输入 cmd 或 powershell，打开终端窗口。

注意： 终端接下来需要多次使用，如无需要，请保持终端窗口打开状态， 并且不要随意改变终端定位路径。

在打开的终端中输入以下内容安装相关依赖：

pip install -r requirements.txt

安装完依赖后，打开 VSCode，PyCharm 等代码编辑器，并让编辑器打开源代码所在的文件夹。

在 源代码根目录 打开 detect.py ，并运行代码。该文件可用于进一步检查环境搭建情况。具体所需时间视网络环境而定。

4. 参数解释以及运行示例代码

接下来打开 train.py 文件，定位到 parse_opt 函数。该函数主要负责程序运行时需要的参数。
由于 yolov5 中的参数较多，本文仅选择几个作为介绍。

--weights 指定预训练权重文件路径，用于初始化模型。在 detect.py 中，yolov5 会自行下载 yolov5s.pt 并放在根目录。
--data 指定数据集配置文件（.yaml文件），包含训练集、验证集、类别列表、标签文件路径等信息。
--epochs 指定训练的总轮数
--batch-size 指定训练时每个批次包含的样本数
--imgsz --img --img-size 输入图像的尺寸，通常为正方形，如 640 表示图像被缩放到640x640像素

我们先运行示例代码，确保示例代码运行正常，再替换自己要训练的数据。

在终端中输入：

python train.py --epochs=10 --batch-size=4

注意： --batch-size 的具体取值与硬件配置有关，本文作者使用的硬件配置为 16 GB 的 RAM 以及 Nvidia GeForce RTX 4060 Laptop 运行上面的参数可以正常运行，具体参数请根据实际情况调整。

如果没有报错，并且看到类似于 Results saved to runs\train\exp 即为运行成功。

5. 使用自己的图片训练

假设你已经准备好了一组图片。将图片放在 /data/images 内，替换里面原本自带的图片。
做图片标注可以使用 精灵标注助手 或者其他的标注软件。在文件导出时务必选择符合 pascal-voc 规范的 xml 文件。将其全部放在 /data/xmls 内。

接下来，在 data 文件夹内新建一个文件，文件名为 xml2label.py ，放入以下内容：

import os
import xml.etree.ElementTree as ET

def convert_xml_to_yolo_v5_txt(xml_file, output_dir, img_dir):
    # 解析XML文件
    tree = ET.parse(xml_file)
    root = tree.getroot()

    # 获取图像文件名及尺寸（用于坐标归一化）
    img_name = root.find('filename').text
    img_path = os.path.join(img_dir, img_name)
    size = root.find('size')
    img_width = int(size.find('width').text)
    img_height = int(size.find('height').text)

    # 创建输出txt文件路径
    label_file = os.path.join(output_dir, os.path.splitext(img_name)[0] + '.txt')

    with open(label_file, 'w') as f:
        for obj in root.findall('object'):
            # 提取类别名称
            class_name = obj.find('name').text

            # 提取坐标信息并进行归一化
            bndbox = obj.find('bndbox')
            xmin = float(bndbox.find('xmin').text)
            ymin = float(bndbox.find('ymin').text)
            xmax = float(bndbox.find('xmax').text)
            ymax = float(bndbox.find('ymax').text)

            # 计算归一化后的中心点坐标和宽高
            center_x = (xmin + xmax) / 2 / img_width
            center_y = (ymin + ymax) / 2 / img_height
            width = (xmax - xmin) / img_width
            height = (ymax - ymin) / img_height

            # 将类别名称转换为类别ID（假设类别ID是从0开始的整数，需要提前定义类别映射）
            class_id = names.index(class_name)

            # 写入txt文件，格式为：类别ID 中心点x 中心点y 宽 高
            f.write(f"{class_id} {center_x} {center_y} {width} {height}\n")

def process_images_and_xmls(images_dir, xmls_dir, labels_dir):
    if not os.path.exists(labels_dir):
        os.makedirs(labels_dir)

    for img_file in os.listdir(images_dir):
        img_name, img_ext = os.path.splitext(img_file)
        if img_ext.lower() != '.jpg' and img_ext.lower() != '.png':
            continue  # 跳过非图片文件

        xml_file_path = os.path.join(xmls_dir, img_name + '.xml')
        if not os.path.isfile(xml_file_path):
            print(f"Warning: XML file not found for image '{img_file}'. Skipping.")
            continue

        convert_xml_to_yolo_v5_txt(xml_file_path, labels_dir, images_dir)

# 示例用法
images_dir = "images"
xmls_dir = "xmls"
labels_dir = "labels"

names = ["cake"]

process_images_and_xmls(images_dir, xmls_dir, labels_dir)

代码最后几行中的 names 是一个 List，这个列表内的数据取决于你实际标注时使用的名称，需要根据实际情况更改。

修改好文件后，打开终端，确保终端所在的位置为 data 文件夹
如果你在终端中看到是类似这种情况：

其中终端所在的 F:\yolov5 为代码的根目录，那么这个时候需要先执行以下内容：

cd data

再执行：

python xml2label.py

警告： 请不要直接执行 python data/xml2label.py 看似这行代码和上面的两步操作没有区别，但由于 Python 工作目录不同，会导致结果异常！

不出意外的话，运行之后会在 data/labels 文件夹中看到执行结果。

最后，在 data 文件夹下新建 mydataset.yaml 文件，添加以下内容：

path: data/
train: images/
val: images/

names: 
  0: cake

同样的：names 中的内容需要更改，并与 xml2label.py 中的 names 列表 保持一致。

例如：xml2label.py 中的 names 列表是这样的：

names = ["cat", "dog"]

那么 mydataset.yaml 文件中的内容则是：

names: 
  0: cat
  1: dog

准备好以上内容之后，就可以开始训练了。
切换终端路径：

cd ..

然后输入以下内容：

python train.py --data .\data\mydataset.yaml --epochs 100 --batch-size=4

其中 --epochs 和 --batch-size 可根据实际情况调整。

运行上方的代码之后， yolov5 就已经开始训练了，具体需要消耗时间长短取决于图片数量和机器硬件水平。

训练结束后，如果看到类似于上面的窗口，就代表训练成功了。可以在终端输出的最后一行中提供的路径查看训练结果。

---

总结

本文全面介绍了Python与YOLOv5安装的全过程，旨在帮助读者轻松搭建高效、稳定的深度学习开发环境。从Python环境配置、硬件加速支持，到PyTorch安装、YOLOv5源码编译、依赖库安装，每个环节均提供了详尽的步骤与实用建议。通过实战演练，读者得以在配置好的环境中亲身体验YOLOv5的基本任务执行。

本文标签： 环境教程详细最新