环境介绍

系统：Windows11

显卡：4070ti

cuda:11.8

配置环境

python环境

安装python的虚拟环境anaconda。Free Download | Anaconda

成功安装后可以按Win键搜索anaconda，可以看到桌面版和命令行版本，我们这里直接用命令行版本。

其中Anaconda powershell prompt为命令行的版本，点击进入。

可看到默认已经有base的环境了。而我们需要创建一个环境，让YOLOv5可以正常运行。所以我们创建一个新的环境。使用命令行conda activate -n yolo   此命令的含义是建立一个名为yolo的虚拟python环境。而我们要安装的包都要在这个环境下安装，用于和其他环境隔离。 你也可以不用使用conda，直接在本机上安装yolov5的所有环境也是可以的，但是并不建议这样做。

cuda环境

如果没有显卡可以跳过cuda环境

查看自己的显卡可以使用的cuda版本，我这个显卡是可以安装cuda12的版本。但是我们yolov5依赖的深度学习框架pytorch 2.0.1版本最大支持11.8。下载链接。我安装了几个不同的cuda版本用于切换。

切换时可以找到环境变量->系统变量->Path

将需要的版本上移。此处我将C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin、C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\libnvvp 均上移。记住上移之后重启电脑生效

重启电脑之后再命令行输入命令 nvcc -V 可以查看当前的cuda版本

然后还需要下载cuDNN

因为我们的cuda版本 是11.8，所以我下载了DNN版本Download cuDNN v8.9.4 (August 8th, 2023), for CUDA 11.x

下载压缩包之后就解压。

将解压之后的文件复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8 下，就是刚才环境变量中的那个版本路径

yolov5环境

下载yolov5的源码，可以直接从https://github.com/ultralytics/yolov5 下载，如果觉得慢可以去gitee搜索一下，肯定有人同步过。

下载完成之后使用刚才Figure 2的conda命令行，cd 到yolov5的目录下

pip install -r .\requirements.txt 使用该命令安装yolov5需要的环境。requirements.txt文件是源码中的文件，描述了这个程序运行需要的环境

如果使用显卡训练，则需要安装下显卡版本的pytorch，上面的环境默认只安装cpu的版本。

Start Locally | PyTorch 进入这个网页，选好环境。 我们这个选择的是windows和conda，cuda版本选择11.8，然后版本选择2.0.1  然后看到提示安装的命令行，复制这个命令到上图的powershell中运行。

运行之后pytorch的环境就配置好了。

代码介绍

使用vscode打开yolov5的文件夹。 其中核心的文件有train.py，detect.py文件，用于训练和检测任务。

训练

我这里只描述用法，打开train.py文件，大概442行左右就包含了我们需要传入的参数。

我这里就直接改default这里的参数了，正确做法应该是建立launch.json文件来传入这些参数

其中 --weights 为权重参数，可以给它一个预训练的权重文件，我这个直接用yolov5s.pt这个默认的，这个是原本就有的文件。

--device 表示用什么设备来训练，如果直接使用cpu可以不改。 我这里用的是gpu，所有默认值改成0

--epochs 表示训练次数

--data 这里需要给训练集和验证集的数据，这里执行我自己建立的在data目录下的cs2.yaml文件，这里的文件描述我参考。

path表示数据集的根目录，我这里用的相对目录。 如果不熟的话可以直接使用绝对路径

然后在这个目录下建立训练集和验证集的路径， 测试集可以不用。 然后训练集和验证集可以先设为一个路径，先跑通代码再说也是可以的。

names:  这里代表命名。 我这里有4个类别，其中0是匪、1是警、2是死亡人物、3是未激活的人物

这个是我的路径。  然后train和val分别代表数据集和验证集。

他们文件夹下的目录结构是一样的，分别有images和lables目录，分别存有图片和对这个图片的标注。例如

labels.cache是训练过程中的中间文件，不用管。 val下也是一样的文件目录结构。下面讲解如果生产lables和训练用的图片

标注

图片可以直接打开游戏，玩上两把然后录屏。在播放器中播放，等播放到有人物的时候暂停截图。例如我截图

截图之后放到某一个目录下。

然后下载标注软件，我这里用的是Labeling

打开刚才存有截屏的目录，而且记得将标注文件格式改成yolo。

最好记得快捷键 a 上张图、 d 下张图 、w 标注。  而且记得改下他的predefined_classes.txt 文件，不然它会预加载一些用不到的类别。可以设置为自动保存，方便标注。

标注完成之后，在图片的目录下就有同名不同格式的标注文件的，将目录下的图片复制到上述的cs2/train/images文件中、而对应的标注文件 cs2/trian/lables中。 当然留一些样本给验证集，就是放一些到cs/val中，和训练集一样。

训练结果

回到vscode中，打开train.py文件，并将右下角的环境改成conda 'yolo'

然后F5运行

训练结束后会在输出窗口显示，训练结果文件在哪输出。 默认在 yolov5/runs/train/exp*  文件下，exp后面接的数字代表第几次训练。找到最大的数字的目录，里面就是结果，有很多结果的图表。最重要就是 Weights文件夹下的两个权重文件，我们使用best.pt 这个是训练结果最好的权重文件，last.pt只是最后一轮的结果。

测试

vscode 打开detect.py文件， 我这里还是创建了launch.json文件，用来传入检测参数。

可以看到best.pt我直接复制到YOLOv5目录下，所以我的权重参数--weights也指向此地址。

--source 这个参数作为检测源，这个直接使用屏幕截屏。 它会边截屏边检测。参数是 "screen 1 0 0 2560 1440" 含义是，第一个屏幕，坐标为0,0 长为2560 宽1440的区域截屏。 可以看出我的显示器是2K的。

--conf-thres 置信度过滤  我这里设置为低于0.6不返回结果

--iou-thres 可以认为是检测框能框到人物的这个坐标的精度

--max-det 是最大能检测的目标总数

--move-mouse 不要管，这个是我自己写的自动瞄准选项

--classes 表示只检测哪些目标

这个文件写好之后就可以返回detect.py文件  F5启动

然后打开游戏，晚上一把。 结束之后

此处可以按 Ctrl+C启动

当然也可以不使用Python启动这个。  可以打开conda命令行，切换到yolo环境。 直接Python detect.py -- 参数   这样启动也可以。

结束之后就可以在默认的目录找到输出的结果，一般在上述的runs/detect/exp* 目录下，这个截图的方式检测会返回一个视频。 下面是一些结果的演示

其他任务的建议

如果想进一步操作鼠标。 在游戏普通的win32api是无法自动挪移的，建议使用pyautoti模块的鼠标部分。然后最好开窗口模式