还是基础的anoconda，在opencv的时候就已经安装过了

此视频疑似在2020年底录制，因为他安装anaconda使用如下代码

bash ~/Downloads/Anaconda3-2020.07-Linux-x86_64.sh

由于版本兼容问题，可能要mini conda

PASCAL VOC

PASCAL VOC挑战赛在2005年至2012年间展开。
PASCALVOC 2007：9963张图像，24640个标注；PASCALVOC 2012：11530张图像，27450个标注 该数据集有20个分类：
Person: person
Animal: bird, cat, cow, dog, horse, sheep
Vehicle: aeroplane, bicycle, boat, bus, car, motorbike, train                                                              Indoor: bottle, chair, dining table, potted plant, sofa, tv/monitor
链接：http:/host.robots.ox.ac.uk/pascal/VOC/voc2012/ 

MS COCO

MS COCO的全称是Microsoft Common Objects in Context,起源于是微软于 2014年出资标注的Microsoft COCO数据集，与ImageNet 竞赛一样，被视为是计 算机视觉领域最受关注和最权威的比赛之一。
在2017ImageNet竞赛停办后，COCO竞赛就成为是当前目标识别、检测等领域的一个最权威、最重要的标杆，也是目前该领域在国际上唯一能汇集Google、微软、
Facebook以及国内外众多顶尖院校和优秀创新企业共同参与的大赛。
http: //cocodataset.org/ 

COCO(Common Objects in Context)数据集包含20万个图像：11.5万多张训练集图像，
5千张验证集图像，2万多张测试集图像
80个类别中有超过50万个目标标注。
平均每个图像的目标数为7.2

目标检测指标

intersection over union

即iou=area of overlap/area of union，实际/网格预测

AP@.50 means the Ap with loU=0.50.
AP@.75 means the Ap with loU=0.75.
For COCO, AP is the average over multiple loU (the minimum loU to consider a positive match). AP@[.5:.95] corresponds to the average AP for loU from 0.5 to 0.95 with a step size of 0.05.
For the COCO competition, AP is the average over 10 loU levels on 80 categories (AP@[.50:.05:.95]: start from 0.5 to 0.95 with a step size of 0.05.

IoU的值越大趋于1，loose变为tight 

average precison

平均精度ap，收集模型为苹果做所有预测，根据预测的置信水平排名，如果precision和ground truth匹配并且IoU>=0.5，就是正确的

举个例子，Rank=3，那么前三个就是现在预测出来的框，其中有两个对的一个错的。

感谢那个rank=3的哥们,已经懂了.rank=4的话,就是预测了四个其中两个预测对了,所以precision=0.5,recall=预测对的苹果/总苹果=2/5=0.4,依此类推

我觉得这个图片可能看看就好

• 前传耗时（ms）：从输入一张图像到输出最终结果所消耗的时间，包括前处理耗时（如图像归一化）、网络前传耗时、后处理耗时（如非极大值抑制）
• 每秒帧数 FPS (Frames Per Second):每秒钟能处理的图像数量
• 浮点运算量（FLOPS）：处理一张图像所需要的浮点运算数量，跟具体软硬件没有关系，可以公平地比较不同算法之间的检测速度。

在Ubuntu安装yolov5和pascal voc数据集

Anaconda 是一个用于科学计算的Python 发行版，支持Linux,Mac,Windows,包含了众多流行的科学计算、数 据分析的 Python 包。
1.先去官方地址下载好对应的安装包
下载地址：https:/www.anaconda.com/download/#linux 2.然后安装anaconda
bash -/Downloads/Anaconda3-2020.07-Linux-x86_64.sh
anaconda会自动将环境变量添加到PATH里面，如果后面你发现输出conda提示没有该命令，那么你需要执行命令 source～/. bashro更新环境变量，就可以正常使用了。
如果发现这样还是没用，那么需要添加环境变量。编辑～/.bashrc文件，在最后面加上
export PATH=/home/bai/anaconda3/bin: $PATH 注意：路径应改为自己机器上的路径

保存退出后执行：source~/.bashrc
再次输入conda list测试看看，应该没有问题。添加Aanaconda国内镜像配置
清华TUNA提供了Anaconda 仓库的镜像，运行以下三个命令：
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
I 2)安装pytorch
注意：需要安装pytorch1.6以上的版本
首先为pytorch创建一个anaconda虚拟环境，环境名字可自己确定，这里本人使用pytorch1.6作为环境名：

conda create -n pytorch1.6 python=3.8
安装成功后激活pytorch 1.6环境：
conda activate pytorchl.6
在所创建的pytorch环境下安装pytorch的1.6版本,执行命令：
conda install pytorch torchvision cudatoolkit=10.2 -c pytorch
注意：10.2处应为cuda的安装版本号
编辑〜/.bashrc文件，设置使用pytorch1.6环境下的python3.8
alias python=1/home/bai/anaconda3/envs/pytorchl.6/bin/python3.8
注意：python路径应改为自己机器上的路径
保存退出后执行：source -/.bashrc

1)克隆yolov5项目
安装Git软件(https://github.com/downloads),克隆项目到本地
git clone https://github.com/ultralytics/yolov5.git

或者直接在浏览器github下载yolov5版本v3.1

2）使用清华镜像源:
在yolov5路径下执行:
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
注意：simple不能少，是https而不是http
3） 下载预训练权重文件
下载yolov5s.pt, yolov5m.pt, yolov5l.pt, yolov5x.pt权重文件，并放置在weights文件夹下,                 这个一定要版本适配，否则无法运行
4） 安装测试
测试图片：
在yolov5路径下执行，大概率是因为版本不一样，图片的放置位置变了

python detect.py --source ./inference/images/ --weights weights/yolov5s.pt --conf 0.4

这是min的模型，还有一个大一点的网络模型改为yolov5x.pt，他的精度更为准确

3准备数据集
1）下载项目文件：
从百度网盘下载到yolov5目录下
• VOCtrainval_06-Nov-2007.tar
• V0Ctrainval_11 -May-2012.tar
• VOCtest_06-Nov-2007.tar
• get_voc_u b u ntu. py
2） 生成训练集和验证集文件
解压数据集
tar xf VOCtrainval.ll-May-2012.tar
tar xf VOCtrainval_06-Nov-2QQ7.tar
tar xf VOCtest_Q6-Nov-2007.tar
执行python脚本:

python get_voc_ubuntu.py
在VOCdevkit / vqC2007和VOCdevkit / VOC2012目录下可以看生成了文件夹labels ；
在yolov5目录下生成了文件2007_train.t:xt, 2007_val.txt, 2007_test.txt, 2012_train.txt,                     2012_val.txttrain.txt,train.all.txt
在VOC目录下生成了 images和labels文件夹；
• labels下的文件是JPEGImages文件夹下每一个图像的yolo格式的标注文件，这是由annotations的xml标注文件转换来的
• train.txt和2007一test.txt分别给出了yolov5训练集图片和yolov5验证集图片的列表，含有每个图片的路径和文件名

4）修改配置文件
1)新建文件data/voc・new.yaml  
可以复制data/voc.yaml再根据自己情况的修改；可以重新命名如：data/voc-new.yaml
然后修改配置参数
# download command/URL (optional)
#download: bash data/scripts/get_voc.sh
# train and val data as 1) directory: path/images/z 2) file: path/images.txt, or 3) list:
[pathl/images/, path2/images/]
train: VOC/images/train/ # 16551 images
val: VOC/images/val/ # 4952 images
2)新建文件models/yolov5s-voc.yaml
可以复制rnodels/yolov5s.yaml再根据自己情况的修改；可以重新命名如：models/yolov5s-voc.yaml
然后修改配置参数

#parameters                                                                                                                               nc:20 #number of classes

5）训练PASCAL VOC数据集
1） 训练命令
在yolov5路径下执行,
python train.py --data data/voc-new.yaml --cfg^models/yolov5s-voc.yaml --weights
weights/yolov5s.pt --batch-size 16 --epochs 200
2） 训练过程可视化：
在yolov5路径下执行
tensorboard --logdir=./runs
6）测试训练出的网络模型
1） 测试图片

等待吧，5.1g的显存占用，4060laptop绰绰有余，记得散热开大