1.环境配置

1.下载

官网地址：https://github.com/ultralytics/yolov5

在Github上下载较为稳定的版本。

2.Anaconda说明

一般计算机上存在基础的运行环境base，一般使用情境下可在此环境中下载许多常用的包，比如说numpy、pandas、sklearn等等。

但是如果在一些需要对项目、文件打包的时候，如果直接打包base环境，就会导致混入很多本身项目不需要的包，造成依赖包冗余的状态，而通过Anaconda则可以通过创造新的虚拟环境解决此问题。比如需要完成一个目标检测的任务，就需要导入一些包，比如说numpy、pytorch等等，那么只需要在Anaconda中创建一个虚拟环境，然后在此环境中安装相关包即可。

3.Anaconda安装

官网网址：https://www.anaconda.com/

选择Anaconda Distribution

选择Windows

选择64bit版本即可

下载完成之后只需要根据引导安装即可。

4.创建虚拟环境

打开Anaconda Prompt

命令如下所示：

conda create -n yolov5 python=3.8

激活环境：

conda activate yolov5

具体可见博主另一篇文章：Anaconda创建虚拟环境，并将其配置在pycharm中

5.安装pytorch

官网网站：https://pytorch.org/
选择Get Started

此处选择Windows版本，Conda安装方式，Cuda选择11.3（如果没有独立显卡，则选择CPU版本）

复制命令，进行安装（在相应虚拟环境的命令行中输入即可）

注： 需要在相应的虚拟环境下执行命令

安装完成后，可查看pytorch版本情况

import torch
torch.__version__

6.在Pycharm中配置项目

在Pycharm中打开yolov5的项目。

配置虚拟环境

找到Project，选择Project Interpreter

如下图所示，选择Add


选择Existing environment

再输入虚拟环境python.exe的路径即可

如果不清楚路径，可通过在命令行中输入如下语句查看：

where python

7.其他依赖包安装

在虚拟环境命令行下进入yolov5文件夹执行如下命令（或者把requirement.txt路径改为相应路径即可）

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

2.简单使用

用Pycharm打开下载的yolov5项目文件。

打开detect.py，即程序的主入口。
找到参数配置的位置，如下所示：

主要参数说明

--weights：权重文件，default为yolov5s.pt

• yolov5s.pt 小型模型

• yolov5m.pt 中型模型

• yolov5l.pt 大型模型

• yolov5x.pt 超大型模型

注：模型越大，精度越高，运算速度越慢。

--source：来源，yolov5提供了图片检测、视频检测和实时摄像头的检测，default为data/video，即视频。

• webcam：摄像头
• image：图像
• video：视频

--conf-thres：置信度，大于default都会进行标记，如果设太大会影响模型效果，default为0.25。

--device：表示使用的设备，GPU或是CPU。

--save-txt：把检测的目标的坐标文件输出为txt文件。

--classes：分类标记的筛选器，例如车辆就是2标签。其具体编码参考data目录下的coco.yaml，根据其在数组中的位置即是其标签。


设置参数之后，配置运行参数

在Parameters中配置所需参数，此处所配置参数意为把检测的目标的坐标文件输出为txt文件，命令行显示，检测人。

之后将需要检测的文件放入设定的目录即可，此处设置的是data目录下的images目录。

注： 需要将需要检测的视频或图片放入相应文件夹。

完后以上操作之后直接运行即可。

效果图如下所示：

注： 识别框上的文字前者为识别结果，后者为置信度。