windows10+cpu+pycharm跑yolov5

1、安装anaconda和pycharm，安装方法参考：

anaconda和pycharm安装（windows10 ）-CSDN博客

2、创建yolov5环境，打开Anaconda Prompt命令打开cmd命令行窗口，如下所示：

输入：conda create -n yolov5，等待一会，输入y，回车。再等待一会，出现done，说明新环境创建成功！如下所示：

输入：conda activate yolov5激活环境，路径前出现（yolov5）就说明激活成功啦！如下所示：

3、下载YOLOv5 github项目，下载地址：https://github.com/ultralytics/yolov5

4、查看一下requirements.txt 里面的内容并下载所有的依赖包，先把清华源设置成默认，如果不修改默认源安装可能很慢，修改安装源方法：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

然后安装以下包：

pip install tqdm
pip install scipy
pip install pyyaml
pip install matplotlib
pip install opencv-python
pip install requests
pip install seaborn
pip install pandas

5、安装pytorch

先更新源：

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 --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

conda config --set show_channel_urls yes

进入官网https://pytorch.org/找到合适的版本，cpu版本如下：

在cmd命令终端输入以下命令安装：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

等待一会，输入y，回车；再等待一会，出现done，说明Pytorch库导入成功。

在cmd命令终端输入以下命令查看pytorch版本：

python
import torch
print(torch,__version__)

版本信息如下所示（由于pytorch更新，版本号可能不同）：

6、验证步骤3下载yolov5可运行：

a、进入步骤3下载的yolov5目录：yolov5-master，通过以下命令安装yolov5所需依赖包：
pip install -r requirements.txt。

b、输入：python detect.py,打印如下信息：

在yolov5-master\runs\detect\exp目录下有以下标注图片：

至此yolov5环境安装成功。

（如果报错一般时缺依赖包，可以通过以下两条命令再次安装相关包：

pip install ultralytics
pip install -r requirements.txt)

7、通过pycharm打开yolov5工程，鼠标放在yolov5-master目录上点击右键，选择pycharm打开，如下所示：

8、设置python解释器和conda的环境，点击Python Interpreter,然后点击Add Interpreter进行添加，如下图所示：

弹出以下界面，点击Conda Environment配置conda环境，设置conda.exe文件路径，然后点击ok,如下图所示：

点击Pipenv Environment配置python环境，设置python.exe路径，然后点击ok,如下所示：

环境设置成功后在pycharm软件右下角会显示python.exe对应的环境名称，如下所示：

9、在pycharm终端如下以下命令确认yolov5所需包是否安装全：

pip install -r requirements.txt

如果报缺少包错误就用：pip install + 包名进行安装。英文之前我们在cmd命令行下已经执行过这个命令，到这一步一般不会报错了。

10、验证yolov5在pycharm能正常运行，类似步骤6，在pycharm终端输入以下命令验证pycharm运行yolov5：

python detect.py

和步骤6相同运行成功后会在runs\detect\exp目录下生成对应的标注图片。

至此我们的开发环境准备工作就结束了，万里长城完成了第一步！

下面我们就用以上环境来训练我们的目标检测模型。

1、数据准备：

任何AI模型训练都需要数据，数据准备是模型训练第一步，这也是大数据时代数据的重要性。为了方便对数据进行管理我们在yolov5-master目录下创建如下目录结构：

数据分为测试集数据、验证集数据、测试集数据。三类数据说明可以参考这位博主的博客：

如何正确使用机器学习中的训练集、验证集和测试集？-CSDN博客

(a)训练集数据：

        这里我们以猫的图片作为训练集数据，感谢知乎这位博主的提供的数据下载路径：

猫狗识别之准备数据集 - 知乎 (zhihu.com)

        为了缩短测试时间，仅选取其中的50副猫的图片作为训练数据，放在own_datas\images\train目录下。

（b）验证集数据：

        从下载的图片中选取另外50副作为验证数据，放在own_datas\images\val目录下,这里为了简单直接将train目录下的复制过来

（c）测试数据：

        最后再从下载的图片中选取50副作为测试数据，放在own_datas\images\test目录下。

2、给数据打标签，在Pycharm终端中输入：pip install pyqt5 labelme安装相关库，这两个库是用来给数据集打标签的。

安装完成后，在终端输入labelme，回车，弹出以下界面：

点击目录，选择own_datas\images\train目录，就会出现训练集里的图片。右键选择创建矩形，框出图片里的猫。如下图所示：

框选结束后，输入标签名cat，点击ok，这个标签就保存下来了。如果有多只猫猫，就继续框选。整张图片框选完毕后，点击下一副，根据提示把标注文件保存到路径yolov5-master\own_datas\labels\json中，文件的格式是.json。所有图片标注完毕后，可以在yolov5-master\own_datas\labels\json文件夹中看到与训练集图片数量相同且对应的50个.json文件。

3、将jason文件转换成.txt文件，因为yolov5只能识别.txt格式的标签，还需要把.json文件转换成.txt文件。在yolov5-master文件夹中新建json2txt.py文件，文件类容如下：

import json
import os
 
name2id = {'cat': 0}  # 标签名称
 
 
def convert(img_size, box):
    dw = 1. / (img_size[0])
    dh = 1. / (img_size[1])
    x = (box[0] + box[2]) / 2.0 - 1
    y = (box[1] + box[3]) / 2.0 - 1
    w = box[2] - box[0]
    h = box[3] - box[1]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)
 
 
def decode_json(json_floder_path, json_name):
    txt_name = 'C:/work/anaconda3_workspace/yolov5-master/own_datas/labels/txt/' + json_name[0:-5] + '.txt'
    # txt文件夹的绝对路径
    txt_file = open(txt_name, 'w+')
 
    json_path = os.path.join(json_floder_path, json_name)
    data = json.load(open(json_path, 'r', encoding='gb2312', errors='ignore'))
 
    img_w = data['imageWidth']
    img_h = data['imageHeight']
 
    for i in data['shapes']:
 
        label_name = i['label']
        if (i['shape_type'] == 'rectangle'):
            x1 = int(i['points'][0][0])
            y1 = int(i['points'][0][1])
            x2 = int(i['points'][1][0])
            y2 = int(i['points'][1][1])
 
            bb = (x1, y1, x2, y2)
            bbox = convert((img_w, img_h), bb)
            txt_file.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in bbox]) + '\n')
 
 
if __name__ == "__main__":
 
    json_floder_path = 'C:/work/anaconda3_workspace/yolov5-master/own_datas/labels/json'
    # json文件夹的绝对路径
    json_names = os.listdir(json_floder_path)
    for json_name in json_names:
        decode_json(json_floder_path, json_name)

需要将其中以下两行改成自己的.txt文件存放路径和.json文件存放路径。
txt_name = 'C:/work/anaconda3_workspace/yolov5-master/own_datas/labels/txt/' + json_name[0:-5] + '.txt'
json_floder_path = 'C:/work/anaconda3_workspace/yolov5-master/own_datas/labels/json'

运行json2txt.py，结束后可以在yolov5-master\own_datas\labels\txt文件夹中看到对应的50个.txt文件。把txt文件夹中的文件全部复制到yolov5-master\own_datas\labels\train文件夹中。或者将上面的txt文件夹改成train= 'C:/work/anaconda3_workspace/yolov5-master/own_datas/labels/train/' + json_name[0:-5] + '.txt'。

用同样的方法生成val目录下的验证数据集的标签，将标签文件拷贝到：

yolov5-master\own_datas\labels\val目录下。

(注意：标签目录需要和数据集目录相同，否则会报无标签错误)

4、修改配置文件

（a)修改数据集配置文件:

        在yolov5-master\data路径下找到coco128.yaml文件，复制到yolov5-master\own_datas路径下，改名为cat.yaml。修改成以下类容：

path: own_datas # dataset root dir
train: images/train # train images (relative to 'path') 128 images
val: images/val # val images (relative to 'path') 128 images
test: images/test # test images (optional)
 
nc: 1  # number of classes
names: ['cat']  # class names

内容说明：

path:数据集根目录

train:训练数据集相对根目录路径

val:验证数据集相对根目录路径

test:测试数据集相对根目录路径，因为测试是可以指定测试数据，因此这里也可以不设置

也可以不设置根目录，将其他目录设置成相对yolov5-master目录的路径，如下所示：

#path: own_datas # dataset root dir
train: own_datas/images/train # train images (relative to 'path') 128 images
val: iown_datas/mages/val # val images (relative to 'path') 128 images
test: own_datas/images/test # test images (optional)
 
nc: 1  # number of classes
names: ['cat']  # class names

nc：标签数，这里只有一个

names：标签名，这里只有'cat'

（b）修改模型参数配置文件

在yolov5-master\models路径下找到yolov5s.yaml文件，同样复制到yolov5-master\own_datas路径下。选择yolov5s是因为，虽然它效果不太好，但是速度比较快。

打开yolov5s.yaml文件，需要修改的是这一行：

nc: 1  # number of classes

将标签数修改成1。

5、修改train.py训练执行文件

（a）修改parse_opt函数中以下红色标记行：

def parse_opt(known=False):
    """Parses command-line arguments for YOLOv5 training, validation, and testing."""
    parser = argparse.ArgumentParser()
    parser.add_argument("--weights", type=str, default=ROOT / "yolov5s.pt", help="initial weights path")
    parser.add_argument("--cfg", type=str, default=ROOT / "own_datas/yolov5s.yaml", help="model.yaml path")
    parser.add_argument("--data", type=str, default=ROOT / "own_datas/cat.yaml", help="dataset.yaml path")
    parser.add_argument("--hyp", type=str, default=ROOT / "data/hyps/hyp.scratch-low.yaml", help="hyperparameters path")
    parser.add_argument("--epochs", type=int, default=100, help="total training epochs")
    parser.add_argument("--batch-size", type=int, default=16, help="total batch size for all GPUs, -1 for autobatch")
    parser.add_argument("--imgsz", "--img", "--img-size", type=int, default=640, help="train, val image size (pixels)")
    parser.add_argument("--rect", action="store_true", help="rectangular training")
    parser.add_argument("--resume", nargs="?", const=True, default=False, help="resume most recent training")
    parser.add_argument("--nosave", action="store_true", help="only save final checkpoint")
    parser.add_argument("--noval", action="store_true", help="only validate final epoch")
    parser.add_argument("--noautoanchor", action="store_true", help="disable AutoAnchor")
    parser.add_argument("--noplots", action="store_true", help="save no plot files")
    parser.add_argument("--evolve", type=int, nargs="?", const=300, help="evolve hyperparameters for x generations")
    parser.add_argument(
        "--evolve_population", type=str, default=ROOT / "data/hyps", help="location for loading population"
    )
    parser.add_argument("--resume_evolve", type=str, default=None, help="resume evolve from last generation")
    parser.add_argument("--bucket", type=str, default="", help="gsutil bucket")
    parser.add_argument("--cache", type=str, nargs="?", const="ram", help="image --cache ram/disk")
    parser.add_argument("--image-weights", action="store_true", help="use weighted image selection for training")
    parser.add_argument("--device", default="", help="cuda device, i.e. 0 or 0,1,2,3 or cpu")
    parser.add_argument("--multi-scale", action="store_true", help="vary img-size +/- 50%%")
    parser.add_argument("--single-cls", action="store_true", help="train multi-class data as single-class")
    parser.add_argument("--optimizer", type=str, choices=["SGD", "Adam", "AdamW"], default="SGD", help="optimizer")
    parser.add_argument("--sync-bn", action="store_true", help="use SyncBatchNorm, only available in DDP mode")
    parser.add_argument("--workers", type=int, default=8, help="max dataloader workers (per RANK in DDP mode)")
    parser.add_argument("--project", default=ROOT / "runs/train", help="save to project/name")
    parser.add_argument("--name", default="exp", help="save to project/name")
    parser.add_argument("--exist-ok", action="store_true", help="existing project/name ok, do not increment")
    parser.add_argument("--quad", action="store_true", help="quad dataloader")
    parser.add_argument("--cos-lr", action="store_true", help="cosine LR scheduler")
    parser.add_argument("--label-smoothing", type=float, default=0.0, help="Label smoothing epsilon")
    parser.add_argument("--patience", type=int, default=100, help="EarlyStopping patience (epochs without improvement)")
    parser.add_argument("--freeze", nargs="+", type=int, default=[0], help="Freeze layers: backbone=10, first3=0 1 2")
    parser.add_argument("--save-period", type=int, default=-1, help="Save checkpoint every x epochs (disabled if < 1)")
    parser.add_argument("--seed", type=int, default=0, help="Global training seed")
    parser.add_argument("--local_rank", type=int, default=-1, help="Automatic DDP Multi-GPU argument, do not modify")

    # Logger arguments
    parser.add_argument("--entity", default=None, help="Entity")
    parser.add_argument("--upload_dataset", nargs="?", const=True, default=False, help='Upload data, "val" option')
    parser.add_argument("--bbox_interval", type=int, default=-1, help="Set bounding-box image logging interval")
    parser.add_argument("--artifact_alias", type=str, default="latest", help="Version of dataset artifact to use")

    # NDJSON logging
    parser.add_argument("--ndjson-console", action="store_true", help="Log ndjson to console")
    parser.add_argument("--ndjson-file", action="store_true", help="Log ndjson to file")

    return parser.parse_known_args()[0] if known else parser.parse_args()

修改说明：

parser.add_argument("--cfg", type=str, default=ROOT / "own_datas/yolov5s.yaml", help="model.yaml path")（指定模型配置文件）。

parser.add_argument("--data", type=str, default=ROOT / "own_datas/cat.yaml", help="dataset.yaml path")（指定数据集配置文件）

parser.add_argument("--epochs", type=int, default=100, help="total training epochs") （指定训练轮数，最好设置成大于100次，训练次数太少可能导致模型无效）

parser.add_argument("--workers", type=int, default=8, help="max dataloader workers (per RANK in DDP mode)") （设置训练线程数，根据硬件配置设置，我笔记本配置比较低，如下所示，设置成8，如果电脑配置比较好，可以设置成16，如果运行train.py时退出可以设小点，还不行就设置成0）

6、修改完后就可以运行train.py进行模型训练了。

如果报以下错误：

C:\work\anaconda3\envs\yolov5\python.exe C:\work\anaconda3_workspace\yolov5-master\train.py 
Traceback (most recent call last):
  File "C:\work\anaconda3\envs\yolov5\Lib\site-packages\git\__init__.py", line 140, in
    refresh()
  File "C:\work\anaconda3\envs\yolov5\Lib\site-packages\git\__init__.py", line 127, in refresh
    if not Git.refresh(path=path):
           ^^^^^^^^^^^^^^^^^^^^^^
  File "C:\work\anaconda3\envs\yolov5\Lib\site-packages\git\cmd.py", line 455, in refresh
    raise ImportError(err)
ImportError: Bad git executable.
The git executable must be specified in one of the following ways:
    - be included in your $PATH
    - be set via $GIT_PYTHON_GIT_EXECUTABLE
    - explicitly set via git.refresh()

All git commands will error until this is rectified.

This initial message can be silenced or aggravated in the future by setting the
$GIT_PYTHON_REFRESH environment variable. Use one of the following values:
    - quiet|q|silence|s|silent|none|n|0: for no message or exception
    - warn|w|warning|log|l|1: for a warning message (logged at level CRITICAL, displayed by default)
    - error|e|exception|raise|r|2: for a raised exception

Example:
    export GIT_PYTHON_REFRESH=quiet

The above exception was the direct cause of the following exception:

Traceback (most recent call last):
  File "C:\work\anaconda3_workspace\yolov5-master\train.py", line 104, in
    GIT_INFO = check_git_info()
               ^^^^^^^^^^^^^^^^
  File "C:\work\anaconda3\envs\yolov5\Lib\contextlib.py", line 81, in inner
    return func(*args, **kwds)
           ^^^^^^^^^^^^^^^^^^^
  File "C:\work\anaconda3_workspace\yolov5-master\utils\general.py", line 401, in check_git_info
    import git
  File "C:\work\anaconda3\envs\yolov5\Lib\site-packages\git\__init__.py", line 142, in
    raise ImportError("Failed to initialize: {0}".format(_exc)) from _exc
ImportError: Failed to initialize: Bad git executable.
The git executable must be specified in one of the following ways:
    - be included in your $PATH
    - be set via $GIT_PYTHON_GIT_EXECUTABLE
    - explicitly set via git.refresh()

All git commands will error until this is rectified.

This initial message can be silenced or aggravated in the future by setting the
$GIT_PYTHON_REFRESH environment variable. Use one of the following values:
    - quiet|q|silence|s|silent|none|n|0: for no message or exception
    - warn|w|warning|log|l|1: for a warning message (logged at level CRITICAL, displayed by default)
    - error|e|exception|raise|r|2: for a raised exception

解决方式：

在train.py中添加以下类容：

正常运行信息如下：

上图表示正在进行第一轮训练，训练时间比较久，先去干点别的吧...

等了差不多一个半小时后显示如下：

表示训练结束，生成的相关文件保存在：yolov5-master\runs\train\exp目录下。如果是第一次训练目录为yolov5-master\runs\train\exp，每运行一次train.py，序号加1。生成的模型文件为：runs/train/exp4/weights/best.pt。

7、测试模型

打开detect.py文件，修改如下红色标记行：

def parse_opt():
    """Parses command-line arguments for YOLOv5 detection, setting inference options and model configurations."""
    parser = argparse.ArgumentParser()
    parser.add_argument("--weights", nargs="+", type=str, default=ROOT / "runs/train/exp/weights/best.pt", help="model path or triton URL")
    parser.add_argument("--source", type=str, default=ROOT / "own_datas/images/test", help="file/dir/URL/glob/screen/0(webcam)")
    parser.add_argument("--data", type=str, default=ROOT / "own_datas/cat.yaml", help="(optional) dataset.yaml path")

修改说明：

parser.add_argument("--weights", nargs="+", type=str, default=ROOT / "runs/train/exp4/weights/best.pt", help="model path or triton URL")（设置训练出来的模型文件）

arser.add_argument("--source", type=str, default=ROOT / "own_datas/images/test", help="file/dir/URL/glob/screen/0(webcam)") （设置测试文件存放位置）

parser.add_argument("--data", type=str, default=ROOT / "own_datas/cat.yaml", help="(optional) dataset.yaml path") （设置数据配置文件，也可以不该直接采用data目录下的coco128.yaml文件）

运行detect.py，运行结束后会在yolov5-master\runs\detect\exp目录下生成标注图片。

参考博客：

yolov5 win10 CPU与GPU环境搭建,亲测有效！_yolov5detectorcpu-CSDN博客

在CPU上跑yolov5（详细步骤+适合入门）_yolo 怎么跑起来-CSDN博客

【Yolov5】1.认真总结6000字Yolov5保姆级教程（2022.06.28全新版本v6.1）_yolov5教程-CSDN博客