史上最详细yolov5环境配置搭建+配置所需文件

您所在的位置：网站首页 › linux安装yolov › 史上最详细yolov5环境配置搭建+配置所需文件

史上最详细yolov5环境配置搭建+配置所需文件

2023-08-10 20:19| 来源: 网络整理| 查看: 265

yolov5的配置过程总体来说还算简单，但是网上大部分博客都没有仔细介绍具体步骤，本文将从最细节的层面记录windows10系统下的yolov5环境配置的全过程，以及yolov5使用的一些细节，以及如何制作和训练自己的数据集。

注：yolov5官网代码更新速度较快，相关依赖环境如pytorch，apex等也会采用更新的版本。博主上传了8月配置成功的工程文件，如需要老版本代码可以自行下载或从官网下载。若配置遇到困难可以参考评论区的一些回答，若还未解决，欢迎评论区留言或私信，博主将尽力解决。

目录yolov5介绍资料一、基础部分：二、代码部分：三、优秀的实际应用：环境配置所需资源第一步-下载源码第二步-安装anaconda与pycharm第三步-安装cuda10.2和cudnn-10.2-windows10-x64-v7.6.5.32第四步-安装pytorch1.5.1以及其他库第五步-下载权重文件第六步-实际测试第七步(可选操作)-安装apex第八步-训练自制数据集1.coco128数据集2.coco2017数据集3.真正的自制数据集4.虚假的自制数据集1.生成随机数据集的代码如下2.创建yaml文件3.更改train.py的设置

yolov5介绍

先来介绍一下yolov5 在这里插入图片描述 yolov5的特点之一就是权重文件非常之小，可以搭载在配置更低的移动设备上而且yolov5的速度较yolov4更快，准确度更高此博客还包括一些在学习过程中从其他大佬那整理的资料，包括：

资料一、基础部分：

1.深入浅出Yolo系列之Yolov3&Yolov4&Yolov5核心基础知识完整讲解 2.深入浅出Yolo系列之Yolov5核心基础知识完整讲解 3.从V1到V4,让你读懂YOLO原理

二、代码部分：

4.YOLOv5代码详解（yolov5l.yaml部分） 5.YOLOv5代码详解（common.py部分） 6.YOLOv5代码详解（test.py部分） 7.YOLOv5代码详解（train.py部分）

三、优秀的实际应用：

8.实时吸烟目标检测

环境配置所需资源

使用到的工具有 1.anaconda，pycharm 2.cuda10.2+cudnn-10.2-windows10-x64-v7.6.5.32+pytorch1.5.1-gpu+。。。。。。。。 ps（对于本文使用的旧版代码pytorch只要大于等于1.5.1即可，新版代码需与官网要求相同--1.6.0+，本文将在之后说明安装步骤）

所需资源：本博客免费提供所有win10的cuda和cudnn，百度云，提取码：78il 以及anaconda和pycharm的安装包百度云，提取码：95q7 以及权重文件百度云，提取码：9pfg 以及GitHub官方yolov5源码百度云(官网源码已更新，建议下载此源码)，提取码：tyn6 以及官方提供的coco测试数据集百度云，提取码：ny9j

配置正式开始

第一步-下载源码

本文采用的是yolov5官网提供的pytorch框架下的源码(官方代码为最新修改，建议使用本文提供的的代码版本--7月31日更新，可从上文百度云链接中下载)，点击红色区域即可下载源码压缩包在这里插入图片描述将其解压到一个不带中文字符的文件夹下（如果带有中文字符，会使OpenCV的cv2.imread()函数读取不了待检测图片或视频）

第二步-安装anaconda与pycharm

两个开发工具从官网均可下载。 anaconda是一个管理用于python开发的包含不同库的虚拟环境的平台，可以高效的管理和创建适用于多个不同项目的project interpreter。安装完成自带一个根环境，路径在conda的安装目录下。进入后可以在环境管理页面创建新环境，新环境的路径在安装目录下的envs中存储，在pycharm中设置interpreter时需要找到所需环境的存储位置，interpreter设置选择conda enviroment，填写python.exe的路径即可完成编译环境与项目的绑定。之后进行虚拟环境设置，安装新的库的时候只需打开cmd，输入activate 环境名，即可进入环境目录，之后pip安装所需库即可。

首先从官网上下载anaconda-py3.7-64版本，勾选这两项方便环境配置，如果安装时没有勾选这两项建议重新安装，并！重！启！，涉及到环境变量的改动都建议在修改后重启。在这里插入图片描述等待anaconda安装完进入environment界面，点击create，将新环境命名为yolov5test，python版本选择python3.7，点击ok，等待自动生成初始环境，之后即可关闭anaconda。 ps(如果出现anaconda卡load application的情况，可以参考Anaconda创建新的python环境使用cmd创建新环境与操作包的安装) 在这里插入图片描述

完成anaconda安装后，从官网下载pycharm，解压安装完成后创建工程，路径选择到之前解压源码的无中文字符路径，注意！！！！，创建完成后此处有红框标记的文件即为路径正确（也可先创建再解压到工程文件中）在这里插入图片描述之后进入pycharm中选择工程所需的interpreter

第三步-安装cuda10.2和cudnn-10.2-windows10-x64-v7.6.5.32

在这里插入图片描述因为本次使用pytorch1.5.1(如果使用最新版的官网代码，请按照requirement.txt中的环境要求安装，将pytorch升级为1.6即可)，对应的cuda为10.1(其实cuda≥10.1即可，只需将cudnn与cuda版本对应上就行)，ps（本人之前使用tf=1.14+cuda10.0进行深度学习开发，但是pytorch1.5.1需要安装新的cuda，故安装cuda10.2。下面给出这种情况的解决方法）第一步：下载双击运行，选自定义在这里插入图片描述第二步：不要选择visual studio integration，否则无法安装等待安装完成--约2分钟，期间若有GeForce experience失败则重复上述步骤即可

第三步：更改环境变量进入环境变量编辑页面，此时已经将cuda10.2安装到默认的NVIDIA cumputing toolkit路径下，需要将系统的环境变量修改为cuda10.2，把10.0的变量去掉。同一台电脑可以拥有多个不同版本的cuda，如果需要用低版本的cuda，只需要将系统环境变量修改为低版本，将高版本的删除即可。在这里插入图片描述新建环境变量

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\include C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\CUPTI\lib64 C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2\bin\win64 C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2\common\lib\x64

此时应该有如下两个变量，如果以前安装的有残存的cuda10.0的路径，删除即可在这里插入图片描述第四步：安装cudnn 将cudnn解压后，将其中的所有内容复制到以下路径中，ps（默认路径，可以直接用）

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2

第五步：验证打开cmd，输入nvcc -V验证cuda是否安装成功，出现如下界面即为成功在这里插入图片描述

第四步-安装pytorch1.5.1以及其他库

以管理员身份进入cmd，输入activate yolov5test进入环境目录下，输入

pip install torch===1.5.1 torchvision===0.6.1 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.douban.com/simple

使用豆瓣源安装，很多是使用清华源，但是清华源安装时容易超时而导致安装失败，有条件的可以FQ直接安装，效果非常好。安装完成后再pycharm中创建文件，输入验证pytorch安装是否成功

import torch print(torch.cuda.is_available()) print(torch.__version__)

出现以下结果即为安装成功在这里插入图片描述其他库的安装建议根据requirement.txt文件逐个安装。。。清华源太容易崩了下面给出requirement.txt的内容

# pip install -U -r requirements.txt Cython numpy>=1.18.5 opencv-python torch>=1.5.1 matplotlib pillow tensorboard PyYAML>=5.3 torchvision>=0.6 scipy tqdm # pycocotools>=2.0 # Nvidia Apex (optional) for mixed precision training -------------------------- # git clone https://github.com/NVIDIA/apex && cd apex && pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" . --user && cd .. && rm -rf apex # Conda commands (in place of pip) --------------------------------------------- # conda update -yn base -c defaults conda # conda install -yc anaconda numpy opencv matplotlib tqdm pillow ipython # conda install -yc conda-forge scikit-image pycocotools tensorboard # conda install -yc spyder-ide spyder-line-profiler # conda install -yc pytorch pytorch torchvision # conda install -yc conda-forge protobuf numpy && pip install onnx==1.6.0 # https://github.com/onnx/onnx#linux-and-macos

可以根据下面的指令，依次输入以下命令安装相应的库：

pip install Cython pip install numpy pip install opencv-python pip install matplotlib pip install pillow pip install tensorboard pip install PyYAML pip install torchvision pip install scipy pip install tqdm 第五步-下载权重文件

将下载的权重文件放入项目文件夹中！！！！注意是项目文件夹，而不是weights文件夹！！！！！！在这里插入图片描述

第六步-实际测试

打开项目文件夹，找到inference，这里images存储测试数据，output存储测试结果，同样，测试数据名称不能带有中文字符在这里插入图片描述基本测试需要运行detect.py，pycharm中运行结果如下说明：测试数据可以是图片或视频，也可以是本机摄像头。使用方法为在detect文件最后找到

d_argument('--source', type=str, default='0', help='source') # file/folder, 0 for webcam

默认值改成0即可本人使用i7-8750+1050Ti跑手机录像30~50FPS，效果还可以

ps:如果出现页面文件太小，无法完成操作，这样的错误是因为虚拟内存不足(虚拟内存定义参考操作系统的虚拟内存)，参考修改页面文件即可解决

第七步(可选操作)-安装apex

官网地址

介绍：这个存储库包含nvidia维护的实用程序，以简化Pytorch中的混合精度和分布式培训。这里的一些代码将包括在上游Pytorch最终。Apex的目的是尽可能快地为用户提供最新的实用程序。

Windows support is experimental, and Linux is recommended. pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" . may work if you were able to build Pytorch from source on your system. pip install -v --no-cache-dir . (without CUDA/C++ extensions) is more likely to work. If you installed Pytorch in a Conda environment, make sure to install Apex in that same environment.

1.从官网上下载源码，降里面的内容解压到yolov5工程文件夹下 2.打开pycharm的terminal界面，输入

pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext"

但是感觉貌似不太对。。输入会报

ERROR: You must give at least one requirement to install (see "pip help install")

可以尝试在terminal中输入

python setup.py install --cpp_ext --cuda_ext

等待1-2分钟即可完成安装

第八步-训练自制数据集 1.coco128数据集

训练数据集需要下载coco数据集，解压到与工程文件并列的位置，运行train.py 注：如果使用自制训练集训练自己的网络模型且GPU不太给力，可以调小网络参数和训练规模。(因为coco128数据集只有128张图片，且标记的种类较多，所以训练出来的网络最终效果不太理想，只是用来测试是否可以训练)

2.coco2017数据集

因为数据集较大，且标注为json格式。。。。(听说要转xml再转txt才能训练yolov5？)，顾再研究研究，有大佬知道的可以评论去补充一波感谢Thanks♪(･ω･)ﾉ coco2017标注为json格式在这里插入图片描述目标检测只需要用到instances_train2017.json和instances_val2017.json两个标注文件，一个是训练集的标注，一个是验证集的标注

在此给出已经完成转换的两种格式的压缩包xml,txt 在这里插入图片描述

并给出将json->xml->txt格式标注的源码

json2xml.py

# 使用时仅需修改21、22、24行路径文件 import os import time import json import pandas as pd from tqdm import tqdm from pycocotools.coco import COCO def trans_id(category_id): names = [] namesid = [] for i in range(0, len(cats)): names.append(cats[i]['name']) namesid.append(cats[i]['id']) index = namesid.index(category_id) return index root = 'coco2017' # 你下载的 COCO 数据集所在目录 dataType = 'train2017' anno = '{}/annotations/instances_{}.json'.format(root, dataType) xml_dir = '{}/xml/{}_xml'.format(root, dataType) coco = COCO(anno) # 读文件 cats = coco.loadCats(coco.getCatIds()) # 这里loadCats就是coco提供的接口，获取类别 # Create anno dir dttm = time.strftime("%Y%m%d%H%M%S", time.localtime()) if os.path.exists(xml_dir): os.rename(xml_dir, xml_dir + dttm) os.mkdir(xml_dir) with open(anno, 'r') as load_f: f = json.load(load_f) imgs = f['images'] df_cate = pd.DataFrame(f['categories']) df_cate_sort = df_cate.sort_values(["id"], ascending=True) categories = list(df_cate_sort['name']) print('categories = ', categories) df_anno = pd.DataFrame(f['annotations']) for i in tqdm(range(len(imgs))): xml_content = [] file_name = imgs[i]['file_name'] height = imgs[i]['height'] img_id = imgs[i]['id'] width = imgs[i]['width'] xml_content.append("") xml_content.append(" VOC2007") xml_content.append(" " + file_name + "") xml_content.append(" ") xml_content.append(" " + str(width) + "") xml_content.append(" " + str(height) + "") xml_content.append(" ") xml_content.append(" 0") # 通过img_id找到annotations annos = df_anno[df_anno["image_id"].isin([img_id])] for index, row in annos.iterrows(): bbox = row["bbox"] category_id = row["category_id"] cate_name = categories[trans_id(category_id)] # add new object xml_content.append(" ") xml_content.append(" " + cate_name + "") xml_content.append(" Unspecified") xml_content.append(" 0") xml_content.append(" 0") xml_content.append(" ") xml_content.append(" " + str(int(bbox[0])) + "") xml_content.append(" " + str(int(bbox[1])) + "") xml_content.append(" " + str(int(bbox[0] + bbox[2])) + "") xml_content.append(" " + str(int(bbox[1] + bbox[3])) + "") xml_content.append(" ") xml_content.append(" ") xml_content.append("") x = xml_content xml_content = [x[i] for i in range(0, len(x)) if x[i] != "\n"] ### list存入文件 xml_path = os.path.join(xml_dir, file_name.replace('.jpg', '.xml')) with open(xml_path, 'w+', encoding="utf8") as f: f.write('\n'.join(xml_content)) xml_content[:] = []

xml2txt.py

import os.path import xml.etree.ElementTree as ET class_names = ['lip'] xmlpath = 'F:\\share\\标注\\xml\\' # xml文件的位置 txtpath = 'F:\\share\\标注\\txt\\' # 导出txt的位置 files=[] for root, dirs, files in os.walk(xmlpath): None number = len(files) i = 0 while i < number: name = files[i][0:-4] xml_name = name + ".xml" txt_name = name + ".txt" xml_file_name = xmlpath + xml_name txt_file_name = txtpath + txt_name xml_file = open(xml_file_name) tree = ET.parse(xml_file) root = tree.getroot() filename = root.find('filename').text image_name = root.find('filename').text w = int(root.find('size').find('width').text) h = int(root.find('size').find('height').text) f_txt = open(txt_file_name, 'w+') content = "" first = True for obj in root.iter('object'): name = obj.find('name').text class_num = class_names.index(name) xmlbox = obj.find('bndbox') x1 = int(xmlbox.find('xmin').text) x2 = int(xmlbox.find('xmax').text) y1 = int(xmlbox.find('ymin').text) y2 = int(xmlbox.find('ymax').text) if first: content += str(class_num) + " " + \ str((x1+x2)/2/w) + " " + str((y1+y2)/2/h) + " " + \ str((x2-x1)/w) + " " + str((y2-y1)/h) first=False else: content += "\n" + \ str(class_num) + " " + \ str((x1 + x2) / 2 / w) + " " + str((y1 + y2) / 2 / h) + " " + \ str((x2 - x1) / w) + " " + str((y2 - y1) / h) print(str(i/(number - 1) * 100) + "%\n") f_txt.write(content) f_txt.close() xml_file.close() i += 1 print("done!") 3.真正的自制数据集

使用各种目标检测的标注工具都行，我用的LabelImg 在这里插入图片描述

可以下载源码安装，也可以直接pip安装

安装方法参考： https://blog.csdn.net/qq_34809033/article/details/80589868?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight

使用方法参考： https://zhuanlan.zhihu.com/p/90834296 https://blog.csdn.net/python_pycharm/article/details/85338801

4.虚假的自制数据集

尝试训练了coco128数据集，但是效果不理想。可以采用了pygame绘图自制数据集训练的方法。

1.生成随机数据集的代码如下 import math import random import pygame pygame.init() windowSize = [640, 640] screen = pygame.display.set_mode(windowSize) clock = pygame.time.Clock() color = pygame.color.Color('#57B0F6') black = pygame.color.Color('#000000') count = 0 done = False fileNo = 0 round = 1 while not done and round=1 and round=10 and round=100 and roundcircle.yaml parser.add_argument('--data', type=str, default='data/circle.yaml', help='data.yaml path') # parser.add_argument('--hyp', type=str, default='', help='hyp.yaml path (optional)') # 指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点 parser.add_argument('--epochs', type=int, default=100) # batch-size：一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点。 parser.add_argument('--batch-size', type=int, default=30, help="Total batch size for all gpus.") # 输入图片宽高,显卡不行你就调小点。-------必须是32的倍数，输入250会自动调整成256 parser.add_argument('--img-size', nargs='+', type=int, default=[320, 320], help='train,test sizes') # 进行矩形训练 parser.add_argument('--rect', action='store_true', help='rectangular training') # 恢复最近保存的模型开始训练 parser.add_argument('--resume', nargs='?', const='get_last', default=False, help='resume from given path/to/last.pt, or most recent run if blank.') # 仅保存最终checkpoint parser.add_argument('--nosave', action='store_true', help='only save final checkpoint') # 仅测试最后的epoch parser.add_argument('--notest', action='store_true', help='only test final epoch') # parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check') # 进化超参数 parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters') # gsutil bucket parser.add_argument('--bucket', type=str, default='', help='gsutil bucket') # 缓存图像以加快训练速度 parser.add_argument('--cache-images', action='store_true', help='cache images for faster training') # 权重文件路径，用于迁移训练，可以以官方提供的几个训练好的模型为基础进行训练 # default='' ----> default='yolov5s.pt' parser.add_argument('--weights', type=str, default='', help='initial weights path') # 重命名results.txt to results_name.txt parser.add_argument('--name', default='', help='renames results.txt to results_name.txt if supplied') # cuda device, i.e. 0 or 0,1,2,3 or cpu parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu') # 多尺度训练，img-size +/- 50% parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%') # 单类别的训练集 parser.add_argument('--single-cls', action='store_true', help='train as single-class dataset')

打开train.py，找到后面位置的这个语句，将default改为自己的circle.yaml的路径

parser.add_argument('--data', type=str, default='data/circle.yaml', help='data.yaml path')

本人使用1050Ti+i7-8750的笔记本电脑，采用320,320图片输入，训练100轮次，训练时间大约1.5小时

完成训练后会在yolov5文件夹的run下保存有训练模型以及训练参数的图表

在这里插入图片描述使用detect.py检测训练结果需要更改模型路径，改为run/exp.../weights/best.py(完成训练后会提示生成的权重文件在哪) 之后与前文步骤类似，将从数据集中挑几张图片输入，运行即可得到输出如果觉得这篇博客有用的话欢迎在这里插入图片描述

【本文地址】

公司简介

联系我们