设置清华源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

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

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

conda config --set show_channel_urls yes # 设置搜索时显示通道地址

# 恢复原来的源：

conda config --remove-key channels
1
2
3
4
5
6
7
8
9
10
11

创建环境

首先先的在本地环境下搭建一个我们的环境，名字设为yolov5-first

# 创建环境
conda create -n yolov5-first python=3.6
# 切换yolov5-first环境
conda activate yolov5-first
# 完成之后通过如下查看已创建的环境
conda env list
1
2
3
4
5
6

下载yolov5源码

# 先创建并进入workspace文件夹
cd d:/ai/yolov5
# 拉取最新代码
git clone https://github.com/ultralytics/yolov5  # clone
# 进入代码
cd yolov5

1
2
3
4
5
6
7

安装

据官方所说，我们要从克隆的存储库目录安装所需的软件包。但是如果是使用外国的pip，下载速度会满到离谱，故我们使用清华园进行下载。

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
1

使用pip list指令让我们看下yolo需要运行的包是否已经装好。

(yolov5-first) D:\ai\yolov5>pip list
Package                 Version
----------------------- --------------------
absl-py                 1.1.0
backcall                0.2.0
cachetools              4.2.4
certifi                 2020.6.20
charset-normalizer      2.0.12
colorama                0.4.5
cycler                  0.11.0
dataclasses             0.8
decorator               5.1.1
google-auth             2.8.0
google-auth-oauthlib    0.4.6
grpcio                  1.47.0
idna                    3.3
importlib-metadata      4.8.3
importlib-resources     5.4.0
ipython                 7.16.3
ipython-genutils        0.2.0
jedi                    0.17.2
kiwisolver              1.3.1
Markdown                3.3.7
matplotlib              3.3.4
numpy                   1.19.5
oauthlib                3.2.0
opencv-python           4.6.0.66
pandas                  1.1.5
parso                   0.7.1
pickleshare             0.7.5
Pillow                  8.4.0
pip                     21.2.2
prompt-toolkit          3.0.29
protobuf                3.19.4
psutil                  5.9.1
pyasn1                  0.4.8
pyasn1-modules          0.2.8
Pygments                2.12.0
pyparsing               3.0.9
python-dateutil         2.8.2
pytz                    2022.1
PyYAML                  6.0
requests                2.27.1
requests-oauthlib       1.3.1
rsa                     4.8
scipy                   1.5.4
seaborn                 0.11.2
setuptools              59.6.0
six                     1.16.0
tensorboard             2.9.1
tensorboard-data-server 0.6.1
tensorboard-plugin-wit  1.8.1
thop                    0.1.0.post2206102148
torch                   1.10.2
torchvision             0.11.3
tqdm                    4.64.0
traitlets               4.3.3
typing_extensions       4.1.1
urllib3                 1.26.9
wcwidth                 0.2.5
Werkzeug                2.0.3
wheel                   0.37.1
wincertstore            0.2
zipp                    3.6.0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65

下载预训练权重

一般为了缩短网络的训练时间，并达到更好的精度，我们一般加载预训练权重进行网络的训练。而yolov5的版本给我们提供了几个预训练权重，我们可以对应我们不同的需求选择不同的版本的预训练权重。预训练权重越大，训练出来的精度就会相对来说越高，但是其检测的速度就会越慢。

下载之后放入到yolov5根目录

安装Pytorch

参考：深度学习-第一章-window下PyTorch安装教程
可以安装GPU或者CPU版本二选一
建议按照GPU版本，训练速度快
如果安装了英伟达显卡，可以通过如下命令查看显卡信息

nvidia-smi
1

注意，去掉-c pytorch因为加了该参数会默认从国外下载，很慢

# 基于GPU的CUDA 10.2
conda install pytorch==1.10.1 torchvision==0.11.2 torchaudio==0.10.1 cudatoolkit=10.2 -c pytorch
# 基于CPU版本
conda install pytorch==1.10.1 torchvision==0.11.2 torchaudio==0.10.1 cpuonly -c pytorch
1
2
3
4

测试

通过detect.py测试识别人

detect.py中参数说明

参考：yolov5检测代码detect.py参数注释及解析

准备

提前准备好如下文件和照片

执行默认推理代码detect.py，代码中默认指定了权重文件是根目录下yolov5s.pt和数据集文件夹/data/images

推理

python detect.py --save-txt --view-img --class 0
1

加粗样式–save-txt：表示生成labels文件
–view-img：表示弹框显示标注图片
–class：指定识别类型

执行完成之后会在runs/detect/exp目录下生成标注后的图片和label

通过自定义代码识别

需要在根目录下存在yolov5s.pt和zidane.jpg

import torch
# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # or yolov5m, yolov5l, yolov5x, custom
# Images
# img = 'https://ultralytics.com/images/zidane.jpg'  # or file, Path, PIL, OpenCV, numpy, list
img = 'zidane.jpg'  # or file, Path, PIL, OpenCV, numpy, list
# Inference
results = model(img)
# Results
results.show()  # or .print(), .save(), .crop(), .pandas(), etc.
1
2
3
4
5
6
7
8
9
10

执行

(yolov5-first) D:\ai\yolov5>python test_first.py
1

效果

推理视频

在/data/video目录下准备test.mp4素材

python detect.py --save-txt --view-img --source data/video --class 0 1 2
# 或者
python detect.py --save-txt --view-img --source data/video
1
2
3