一、環境和配置

系統：window10
CUDA：10.1
CUDNN：7.4
python：3.7
opencv-python>=4.1.2
pytorch>=1.7.0
本文介紹使用anaconda搭建環境，

1.1 安裝anaconda

anaconda的安裝教程之前已經寫過一篇文章，還沒安裝的請自行參考安裝，這里不再贅述，參考鏈接：anaconda安裝教程

1.2 在anaconda中安裝pytorch虛擬環境

這一步不是必須的，但是建議建立虛擬環境安裝pytorch，免得中途出錯把別的環境也破壞了，到時候就得不償失了，
在anaconda中安裝虛擬環境的教程之前也已經寫過了，這里就不寫了，自行參考鏈接：anaconda中創建虛擬環境

1.3 安裝CUDA和cudnn

若要使用GPU訓練，則需要安裝CUDA和cudnn，具體的安裝方法可以參考我的另一篇文章：CUDA和cudnn的安裝

1.4 安裝pytorch GPU版

yolov5最新版本需要pytorch1.7（以前要求是1.6）版本以上，因此我們安裝pytorch1.7版本，
第一步：打開命令提示符：

第二步：激活torch環境（我裝的虛擬環境取名為torch），輸入命令：

activate torch

第三步：安裝pytorch，由于先安裝好了CUDA10.1，因此在環境中輸入：

pip install torch==1.7.0+cu101 torchvision==0.8.1+cu101 torchaudio===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html

然后就是等待pytorch的安裝完成，可能需要一定的時間，

如果你想裝其他版本，可以先進入pytorch官網，然后選擇相應的版本，下面有相應的安裝命令，復制下來，在torch環境下輸入該命令即可，

第四步：安裝好之后，可能需要將numpy進行升級，輸入命令：

pip install --upgrade numpy

第五步：測驗torch是否安裝成功
先打開python編譯環境，輸入：

python

然后輸入下面的命令查看torch的版本：

import torch as t
t.__version__

若輸出為下面的結果，則說明pytorch安裝成功：

另外也可以輸入另一個命令：

import torch as t
t.cuda.is_available

若輸出的結果為“True”，則說明安裝成功

補充：匯入pytorch使用的命令是“torch”，而非“pytorch”，若在匯入torch的時候出現錯誤：“OSError：[WinError 126]找不到指定的模塊，”這里根據提示在路徑中去找這個模塊，會發現這個“asmjit.dll”是存在于該路徑下的，并沒有丟失，
解決辦法：根據出錯的提示，上面有一個網址，把它復制下來，用任意一個瀏覽器打開，下載這個應用程式，然后雙擊安裝，安裝完畢后重啟一下電腦，就會發現可以正確的匯入torch模塊了 ，

二 原始碼測驗

2.1 下載原始碼

在GitHub上下載原始碼：YOLOv5原始碼下載地址

2.2 安裝依賴項

下載原始碼并解壓后，原始碼根目錄下有一個requirements.txt，這里面就是需要安裝的各種依賴項了，安裝方法是，從根目錄打開命令提示符：在檔案夾上方的框里輸入“cmd”，然后按回車：

之后就會跳出來一個命令提示符框，并且是在該根目錄下：

輸入命令：

pip install -r requirements.txt

然后等待安裝完成就行了，

2.3 測驗

2.3.1 下載權重檔案

作者在GitHub中給出了他們訓練出來的權重檔案：權重檔案下載地址
并給出了各種權重檔案的檢測效果，我們可以隨意下載，

將下載的權重檔案放在./weight檔案夾下，

2.3.2 測驗

還是在原始碼的根目錄下打開命令提示符，然后激活torch環境

圖片測驗：
輸入命令：

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

運行之后輸出：

這時候根目錄檔案夾中，多了一個runs檔案夾，這里面就是測驗的結果：

打開runs檔案夾，一路打開里面所有的檔案夾，里面有兩張檢測后的圖片：

打開其中一個看一下：

視頻測驗
輸入命令：

python detect.py --source 0 --weights ./weights/yolov5s.pt --conf 0.4

三、訓練自己的資料集

3.1 資料集制作

資料集制作的前半部分可以參考我的另一篇文章VOC資料集制作
這里我就接著VOC資料集制作這篇文章來講接下來對資料集的操作，

第一步：將制作好的資料集放到yolov5-master根目錄下，我的資料集檔案夾結構為：

第二步：將資料集轉換到yolo資料集格式，在VOCdata中新建一個voc_label.py檔案，輸入如下代碼：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets=[('TrainVal', 'train'), ('TrainVal', 'val'), ('Test', 'test')]   # 根據自己檔案夾的路徑結構進行修改

classes = ['類別1', '類別2', '類別3', '類別4']  #修改為自己的類別
def convert(size, box):
    dw = 1./size[0]
    dh = 1./size[1]
    x = (box[0] + box[1])/2.0
    y = (box[2] + box[3])/2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)

def convert_annotation(year, image_id):
    in_file = open('VOC%s/Annotations/%s.xml'%(year, image_id))
    out_file = open('VOC%s/labels/%s.txt'%(year, image_id), 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()

for year, image_set in sets:
    if not os.path.exists('VOC%s/labels/'%(year)):
        os.makedirs('VOC%s/labels/'%(year))
    image_ids = open('VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split()
    list_file = open('%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()

轉換后可以看到VOCData/…/labels下生成了每個圖的txt檔案：

另外，在VOCdata檔案夾下還生成如下三個包含資料集的txt檔案，訓練代碼就是通過txt中的路徑去讀取圖片

3.2 修改組態檔

3.2.1 修改資料集方面的yaml檔案

在準備完資料后，v5創新性的省略了.data和.names檔案的配置，而是將二者合二為一到yaml中，在data檔案夾下創建myvoc.yaml檔案，輸入以下資訊

# 上面那三個檔案的位置
train: ./VOCdata/TrainVal_train.txt
val: ./VOCdata/TrainVal_val.txt
test: ./VOCdata/Test_test.txt
# number of classes
nc: 4   # 修改為自己的類別數量
# class names
names: ["類別1", "類別2", "類別3", "類別4"]   # 自己來的類別名稱

3.2.2 修改網路引數方面的yaml檔案

這個相當于以前版本的.cfg檔案，在models/yolov5s.yaml【當然，你想用哪個模型就去修改對應的yaml檔案】，就修改一下類別數量：

3.2.3 修改train.py中的一些引數

在train.py中修改一下訓練引數，也可以直接在訓練陳述句中重寫，修改的話只是修改默認值，

parser.add_argument('--epochs', type=int, default=200)  # 根據需要自行調節訓練的epoch
parser.add_argument('--batch-size', type=int, default=16)  # 根據自己的顯卡調節，顯卡不好的話，就調小點
parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='*.cfg path') # 根據需要，自行選擇模型
parser.add_argument('--data', type=str, default='data/myvoc.yaml', help='*.data path')  # data設定為前兩步中我們新建的myvoc.yaml
parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='train,test sizes')  # 可調可不調

3.3 訓練

3.3.1 在預訓練模型的基礎上訓練

在yolov5-master目錄中打開命令提示符，再激活torch環境，然后輸入下列命令：

python train.py --img 640 --batch 4 --epoch 300 --data ./data/myvoc.yaml --cfg ./models/yolov5s.yaml --weights weights/yolov5s.pt --workers 0

引數解釋：
–img：輸入圖片尺寸
–batch：batch_size大小
–epoch：訓練周期
–data：上面修改過的資料集方面的資訊檔案
–cfg：模型的組態檔，自行選擇模型，當然這里選的是哪個模型，就要在3.2.2中修改相應的組態檔中的類別數
–weights：預訓練模型，之前下載好的，這里選擇的預訓練模型需要跟–cfg中相同
–workers：暫時還沒搞明白是什么

當然這些引數可以直接在train.py檔案中直接修改默認值，然后直接運行train.py檔案，

3.3.2 從頭開始訓練

將train.py中的第458行–weights的默認引數刪掉

在上面命令的基礎上，去掉–weight，在yolov5-master目錄中打開命令提示符，再激活torch環境，然后輸入下列命令：

python train.py --img 640 --batch 4 --epoch 300 --data ./data/myvoc.yaml --cfg ./models/yolov5s.yaml --workers 0

當然如果其他引數也修改為適合自己訓練的引數了，也可以直接運行train.py檔案，

3.3.3 訓練結果

待更新！！！