1.Anaconda安装与配置

1.1安装与配置

Anaconda3的安装看下面的教程：

最新Anaconda3的安装配置及使用教程（详细过程）http://t.csdnimg.cn/yygXD，接上面文章下载后，配置环境变量的时候记得在原来你装的Python更下面添加路径：

我直接放到了最后，这样你默认的Python依然是你之前就装好的Python而不是Anaconda自带的Python，下载好后打开cmd，输入下面的代码查看版本。

conda --version

 使用

conda info

可以看到一些具体的信息。

然后：

conda init

然后配置源：

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/

1.2创建虚拟环境

下面代码创建了一个叫yolov5_p3.8的环境（一定要3.8及以上的版本），之后炼丹用的就是这个环境

conda create -n yolov5_p3.8 python=3.8

 如下图：

会问你：

看到done就行了，上面创建后会有一个提示：

我们可以用这两句代码激活和退出环境

激活环境：

上图的第一个python是本地环境，版本是3.11.4，然后激活环境，再输入python，这时python的版本变成了3.7.12，这就是进入虚拟环境了。

退出环境：

conda deactivate

退出环境后，我输入python，可以看到版本回到了3.11.4.

1.3安装与导入pytorch

去官网：PyTorch

往下拉，按下图配置（版本大于等于1.8）：

把最后一行代码复制到cmd：

然后是漫长的等待：

看到他就结束了：

然后输入：

conda list

就可以看到这个环境的包。

2.yolov5的下载与配置

yolov5源码下载地址：ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite (github.com)

 我选了yolov5s这个表轻量级版本，顺便把官方的预训练模型下载了：

在上面github的网页根据下图操作：

直接用这个版本的：

再往下翻：

展开后找到yolov5s.py点击下载：

 下载往后放到yolov5的目录下即可：

然后开始为这个项目配置运行环境，就是上面我们使用anaconda创建的环境：

 按照你安装的路径导入可执行文件，然后点击右侧加载环境：

然后我们导入一些运行需要的包，下面这行代码在requirement.txt文件里，我们直接在终端输入即可：

 pip install -r requirements.txt

 接下来可能遇到这个问题：

 这个时候建银手动装这个包：

pip install gitpython -i https://pypi.tuna.tsinghua.edu.cn/simple/  

然后再继续运行这句：

 pip install -r requirements.txt

 接下来可以测试一下装好了没,在pycharm终端输入：

python detect.py

 顺利的话可以在这个目录看到结果：

经典的一幕（bus.jpg）：

你可能会遇到一些问题，大概是关于git的，先看一看你有没有git，在cmd输入git --version

有一个这样的报错：ImportError: Bad git executable.

没装git就去装：Git 详细安装教程（详解 Git 安装过程的每一个步骤）

 然后估计还有问题：

跟着接下来的步骤，找到anaconda3中我们创建的yolov5_p3.8的git中的下图所指文件：

 我们进去编辑：

import os
os.environ['GIT_PYTHON_REFRESH'] = 'quiet'

 3.训练自己的模型

3.1如何加入自己的训练集

在yolo的data文件下传一个文件夹叫my_data，里面放你分好的和标注好的训练集：

可以看到train下面放的两个文件夹：images和labels分别存储了对应的图片和标签，其他的也一样，当然mytest里面就是随便找的没标记的图片了。

数据集可以用coco的，也可以自己做或者搜一下，有个网站不错：Roboflow Universe: Open Source Computer Vision Community

3.2自己数据的yaml配置

yaml的编写可以参照源码自带的，在data目录下创建自己的数据集yaml：

我的长这样：

两种都可以，上面三个路径是相对于根目录而言，也就是train.py所在位置，换成自己的就行。

3.3train参数的设置

首先是这三个：

第一weights参数：填入我们下载的预训练模型，就在根目录下

第二个是这个模型的配置路径，这个源码中自带，路径如图

第三个就是自己的数据集yaml的路径

 上面两个一个是轮次一个是表示几张图片进行一次权重更新，调小一些，毕竟没显卡，如果是没改模型的话，轮次改成30~40就差不多收敛了，结果0.78左右（最好的）。

这个可以改成True，方便意外打断继续训练，Ctrl+C打断。

 这个处理多线程的，改成0就行，要不可能失败或卡

最后,开始漫长的炼丹：

python train.py

4.验证炼丹

下图就是炼丹后的最佳模型文件所在：

 代开val.py文件，改参数，数据集yaml路径和刚才训练好的best.pt路径

 然后：

python val.py

 最后在下面这张图里就是最后验证后的结果，有一些衡量模型的图片，以及验证结果：

 截张图，验证的结果之一：

5.实战 

之前说过在data文件夹里我还创建了一个mydata文件，里面装了一些网上的随机的水果图片，有不在训练集种类范围的，我们做个实际的个识别验证：

打开detect.py，改下面这两个参数，weights就用我们刚训练好的best.pt，source就是我们用于测试的数据位置：

 下面的data不用改，这里似乎用不到，只有训练和他相关（）。

然后

python detect.py

然后在下图可以找到识别的结果：

 比如：

参考：

在CPU上跑yolov5（详细步骤+适合入门）