项目效果：

python车流量检测双向车流计数

1、环境配置

1.1 安装显卡加速工具

(1) 安装CUDA和cudnn

NVIDIA CUDA® 深度神经网络库 (cuDNN) 是经 GPU 加速的深度神经网络基元库。cuDNN 可大幅优化标准例程（例如用于前向传播和反向传播的卷积层、池化层、归一化层和激活层）的实施。

世界各地的深度学习研究人员和框架开发者都依赖 cuDNN 实现高性能 GPU 加速。借助 cuDNN，研究人员和开发者可以专注于训练神经网络及开发软件应用，而不必花时间进行低层级的 GPU 性能调整。cuDNN 可加速广泛应用的深度学习框架，包括 Caffe2、Chainer、Keras、MATLAB、MxNet、PyTorch 和 TensorFlow。如需获取经 NVIDIA 优化且已在框架中集成 cuDNN 的深度学习框架容器，请访问 NVIDIA GPU CLOUD 了解详情并开始使用。

①查看显卡信息

若计算机带有英伟达系列的显卡的话才需要安装，没有的话跳过1.1。

查看自己的显卡的版本以及显卡支持的CUDA版本，在显卡驱动中，右键控制面板，点击左下角的系统信息，点击组件，查看NVCUDA64.DLL，可以看出我的计算机的最高支持的CUDA版本为11.1.96，安装小于这个版本的即可。本人使用的CUDA版本为10.1，其他版本其实也可以，但是防止报错和不兼容等问题还是推荐使用10.1。30系的显卡仅支持11版本的CUDA。

如果没有安装显卡驱动也不要紧，在安装CUDA时会对显卡驱动进行安装。

②下载CUDA

CUDA10.1：

以及对应cudnn：

链接:https://pan.baidu.com/s/1PJb2RXJ37XOWlqDWzs3eZw

提取码:715s

如果安装CUDA10.1就可以不进行以下操作了。

下载网址为CUDA Toolkit Archive | NVIDIA Developer

选择对应的版本，依次点击‘windows’，‘x86_64’，‘10’，‘exe(local)’，‘Download’。

③CUDA的安装

运行下载好的exe文件

步骤如下（部分过程图）：

路径不需要修改。选择自动定义安装。

取消CUDA下面Visual Studio integration的勾选。

其余选项全部勾选。点击下一步。

④安装cudnn

可以从③中的百度网盘连接中下载，就不需要到网站中进行下载了。

下载网址：cuDNN Archive | NVIDIA Developer

在其中找到对应CUDA的cudnn版本，点击之后找到对应你的操作系统的cudnn后，不要直接点进去，可能需要你进行登录操作，比较麻烦，选中后右键‘复制链接地址’，然后使用迅雷等下载工具进行下载。

下载完成后，将其解压到CUDA的安装位置：

⑤配置环境变量

安装完成，需要将CUDA和cudnn添加到操作系统的环境变量中。首先打开‘此电脑’后，在空白处右键选择‘属性’，点击‘高级系统设置’，点击‘高级’，‘环境变量’，选择‘系统变量’一栏下的Path后点击‘编辑’，点击新建将CUDA下的bin文件夹和解压的cudnn文件夹的路径位置添加到环境变量中，我需要添加的两个位置为：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\cuda

供大家参考。

配置完成之后连续点击确定即可。

1.2安装anaconda3

Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。因为包含了大量的科学包，Anaconda 的下载文件比较大（约 531 MB），如果只需要某些包，或者需要节省带宽或存储空间，也可以使用Miniconda这个较小的发行版（仅包含conda和 Python）。

下载地址：Free Download | Anaconda

Anaconda 是跨平台的，有 Windows、macOS、Linux 版本，我们这里以 Windows 版本为例，点击那个 Windows 图标。双击下载好的anaconda文件，出现如下界面，点击 Next 即可。

点击 I Agree （我同意），不同意，当然就没办法继续安装啦。

Install for: Just me还是All Users，假如你的电脑有好几个 Users ，才需要考虑这个问题.其实我们电脑一般就一个 User，就我们一个人使用，如果你的电脑有多个用户，选择All Users，我这里直接 All User，继续点击 Next 。(这里选哪个都可以，按照推荐的选择即可)

选择Anaconda的安装位置，因为Anaconda需要管理很多的三方库以及代码运行环境，所以需要很大的安装空间，建议不要安装到系统盘内。

选择添加环境变量，两个勾都需要选上。

安装完成后可以取消这两个勾，点击完成即可。

1.3集成开发环境(Integrated Development Environment，IDE)

(1)安装

我一直是用的pycharm，感觉功能很全还是比较好用的，当然使用其他的编译器如VSCode、spider等都可以，这里仅介绍pycharm的安装以及使用方法。

Pycharm的下载网址：PyCharm: the Python IDE for Professional Developers by JetBrains

下载社区版本的pycharm

安装过程中勾选以上选项后，点击Next。

默认即可，点击 install。如果你勾选了上图中的最后一个选项“安装JetBrains自带的JRE”，会出现如下的下载界面，等待其自动下载完毕即可，然后等待安装完毕。

(2)使用

首次启动 pycharm，会弹出配置窗口：

如果你之前使用过 pycharm 并有相关的配置文件，则在此处选择；如果没有，默认即可。同意用户使用协议：

确定是否需要进行数据共享，可以直接选择Don't send：

选择主题，左边为黑色主题，右边为白色主题，根据需要选择：

下载插件，你可以根据需要下载，也可以不装。建议只装 MarkDown插件即可：

1.4 代码环境配置

(1)打开代码

现在安装代码所需要的代码库，简称环境配置，从百度网盘中下载好代码，右键Yolov5_DeepSort_Pytorch-master1文件(就是你下载的项目文件，这个文件是YOLO v5目标检测算法，如果配置的环境可以运行这个代码，那么其他代码都可以运行)选择open folder as pycharm，点击右下角的terminal，如图：

点开后会出现这样的终端：

(2)建立虚拟环境

这里可以使用anaconda的基础环境，就不需要再建立虚拟环境了，直接跳过该步骤。

也可以自建一个独立的虚拟环境，建议读者使用这种方法。

操作如下：每次输入命令后需要按回车，并且出现需要你输入Y/N的时候都输入Y然后回车。

建立虚拟环境：conda create –n yolov5-deepsort python =3.7

红色字的部分为建立虚拟环境的名称，可以按照自己的需要进行修改。

激活建立的虚拟环境：conda activate yolov5-deepsort

激活后，左边括号里的就是在使用的环境。

在新版本的pycharm中存在一种bug，无法在终端中直接激活虚拟环境，如果这样的话使用步骤(4)进行虚拟环境的激活。

(3)安装环境

在终端中输入pip install -r requirements.txt

等待安装完成。如果安装缓慢的话，可是使用清华镜像源，在输入安装命令后加上-i Simple Index

安装完成后继续安装torch，安装与你安装的 Cuda版本对应的torch，torch安装包比较大，网络不好的话可能下载失败，可以在torch的官网中复制命令进行下载：

https://pytorch.org/get-started/previous-versions/

在官网中找打对应操作系统以及对应CUDA的torch版本，安装操作如：在终端中输入：conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=10.1 -c pytorch或者是pip install torch==1.7.0+cu101 torchvision==0.8.0+cu101 torchaudio==0.7.0 -f https://download.pytorch.org/whl/torch_stable.html

如果是cuda10.2，输入conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=10.2 -c pytorch 或者pip install torch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0

等待安装完成

（4）将配置好的环境在pycharm中调用，点击pycharm的左上角file中的settings

点击project下的python interpreter，然后点击右边的小齿轮，中的add

选中conda environment，再选中existing environment，右边的…

选中之前建立的yolov5-deepsort环境下的python.exe

全部点击ok即可。

环境配置完成。

2、目标检测算法训练

YOLOv5目标检测算法，是该系统获取视频中车辆信息的第一步，使用深度学习框架Pytorch搭建。这里可以通过训练自己的数据集来检测所需要检测的目标，训练的代码与该系统的项目代码是分开的，主要由coco128、yolov5-master1两个文件夹组成：

coco128文件夹中train文件夹中存放训练集，vaild文件夹中存放验证集：

train和valid文件夹下有：

Images文件夹中存放训练的图片，labels文件夹下存在训练图片对应的标签文件，两者数量和名称上必需要同一。一般的数据集的标签格式不是按照YOLO格式进行标注的，所以需要进行格式的转换，YOLO标签的格式如下。

coco128.yaml是关于配置训练参数的文件，其中nc代表本次训练样本类别的数量，names代表每个类别的名称。

使用IDE打开yolov5-master1，其中的train.py为训练文件，配置其中关于训练参数的信息即可运行代码(提前配置好所需环境)。weights是预训练的权重文件，即接下来的训练是在该模型的基础上进行的；epoch为训练的迭代次数；batch_size为每次训练时放入图片的张数，显存越低该数值需要调的越低。

成功训练的效果为：

训练后的权重文件以及训练过程参数存放在：yolov5-master1\runs\train中

3、关于其他代码的运行

（1）打开工程文件下的track.py文件，找到下图的位置

--weights代表了权重，在后面的default后为代码所使用权重的位置’../best.pt’其中..代表了和工程文件相同的位置的，若工程文件放到了桌面，该位置就代表了桌面上的best.pt，best.pt为权重的名称；--source为需要检测的视频，default后的路径就代表了桌面上的convert文件夹中的out_1.avi文件，名称和位置必须要求正确，否则会报错。并且在代码中输入关于路径的地方全部需要使用/而不是\；--output代表输出的视频文件，一般不需要修改。

（2）将文件位置和路径配置好后就可以运行代码，点击代码中的任意位置，右键点击run（还有其他运行代码的按键，不一一列举）