YOLOv5/v8环境配置及训练、检测方法_yolov5环境搭建

1.环境配置

1.1安装CUDA Toolkit

1. 在安装之前，我们首先要查看自己电脑显卡驱动的CUDA版本：右键桌面，点击NVIDIA控制面板，点击左下角的系统信息，点击组件
   
   注：安装CUDA Toolkit时，需要选择CUDA Toolkit版本不能高于显卡驱动CUDA版本。若想安装较高版本的CUDA Toolkit可更新显卡驱动。
   Nvidia显卡驱动下载地址：https://www.nvidia.cn/Download/index.aspx
   
   

2. 在官网下载CUDA Toolkit：CUDA Toolkit官网
   
   这里以CUDA Toolkit 12.1.1为例，点击CUDA Toolkit 12.1.1，选择如下选项后下载。
   

3. 安装
   这里选择安装程序临时解压位置（改为D盘即可）
   
   这里选择自定义
   
   全选
   
   使用默认的安装位置进行安装。（不要更改安装位置）
   

4. 验证安装
   在键盘上按下组合键win+R打开运行，输入cmd确定。
   
   输入nvcc -V 回车，如输出以下内容则安装成功。
   

1.2安装cudnn

官网：cudnn官网

需要注册登录才能下载。

选择window版本下载。

1. 将下载的压缩包解压可以看到有bin、include、lib三个文件夹。
   
2. 将bin文件夹下的文件复制到CUDA安装目录下的bin文件夹内。
   
3. include文件夹内的文件复制到CUDA安装目录下的include文件夹内。
   
4. lib->x64文件夹内的文件复制到CUDA安装目录下的lib->x64文件夹内。
   
5. 右键此电脑点属性，点击高级系统设置、环境变量、双击系统变量中的path，在环境变量中点击新建添加如下内容
   

1.3安装Anaconda

Anaconda官方下载地址：下载地址

• 安装时勾选Add Anaconda to my PATH environment variable,免去手动配置环境变量。
• 建议不要安装在C盘。

1.4新建YOLOv5/v8环境

Anaconda安装完成后，可以在开始菜单里看到如下应用。

打开Anaconda Prompt

1. 输入conda config --set show_channel_urls yes 回车 ，此时在C盘的用户文件夹下会生成一个.condarc文件，使用记事本打开该文件，将记事本中的内容全部删除，将下面的内容复制到记事本中，保存后关闭文件。

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  deepmodeling: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

2. 再次打开Anaconda Prompt，输入conda clean -i 回车，之后输入y 回车。
3. 下面使用语句conda create -n <environment_name> python=<python_version>创建一个新的虚拟环境
   其中 <environment_name> 为要创建的环境名称，<python_version> 为所需的Python版本号。
   这里我们输入conda create -n yolo python=3.10创建一个新环境。中间提示Proceed([y]/n)?这里输入y
   

1.5安装pytorch

pytorch官网：https://pytorch.org/get-started/locally/

1. 输入activate yolo激活yolo环境。
   
2. 输入pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 回车等待自动安装即可
   这里可能会因为网络问题导致安装包下载失败，可以多试几次。
   

2.使用YOLOv5/v8进行训练、检测

2.1 在github上下载yolov5/v8工程

yolov5下载地址：https://github.com/ultralytics/yolov5
yolov8下载地址：https://github.com/ultralytics/ultralytics

在D盘或E盘新建一个PycharmProject文件夹，将刚刚下载好的yolov5/v8工程压缩包解压到PycharmProject文件夹。

2.2安装Pycharm（自行安装）

若安装完成后UI样式与本教程不同可在设置中更改

2.3使用YOLOv5进行训练、预测

1. 在Pycharm中打开刚刚解压好的yolov5-master的文件夹

2. 在设置中选择前面创建的yolo环境
   
   
   
   注：此处若找不到conda可执行文件可手动添加，具体操作如下：
   
   打开终端输入：pip install -r requirements.txt安装yolov5所需的python库。
   

3. 运行detect.py文件
   首次运行会下载权重文件，由于网络问题访问不了github可能会导致下载失败，可以自行下载权重文件放到项目文件夹里。此处应为GPU而不是CPU
   运行完成后runs文件夹下会生成detect文件夹里面放有测试结果。
   
   
   至此准备工作完成可以开始配置训练。

4. 将数据集放置在工程文件夹下的data->images文件夹下。
   

5. 将data文件夹下的coco128.ymal拷贝一份出来
   
   打开拷贝的yaml文件，将train和val后面的位置改为数据集的相对位置，names里为要检测的对象，若只有一个对象就写0：对象名,其他的注释掉。
   
   注：查看相对位置的方法
   
   

6. 将models文件夹下的yolov5s.ymal拷贝一份出来
   打开拷贝出来的yaml文件，将nc：后面的数字改为你要检测的种类个数
   

7. 打开主目录下的train.py文件
   
   将445与446行的两个位置改为刚刚拷贝的两个文件，448行epochs为训练次数可更改。
   
   运行train.py。
   若有报错，可将utils->general.py中366行的check_git_info函数内的内容注释用pass代替。
   
   训练完成后runs文件夹下会生成train文件夹，exp里会放有与训练结果相关的图片与表格。
   
   其中weight文件夹中会生成两个权重文件，后续可以用训练好的权重文件进行检测。
   
   8.配置detect.py文件进行检测
   打开detect.py文件，将244行的位置改为刚刚训练好的best.pt的相对位置，将245行的位置改为你想检测的图片或装有图片的文件夹。
   
   检测结果依然会存放在runs中的detect文件夹中。

2.4使用YOLOv8进行训练、预测

参考：YOLOv8官方文档
与YOLOv5不同的是，YOLOv8在命令行使用语句来进行训练和预测。
也可以编写python程序，详见官方文档。

1. 在Pycharm中打开刚刚解压好的ultralytics-main的文件夹
2. 在设置中选择前面创建的yolo环境
   
   
   
   在Pycharm中打开终端，在终端中输入pip install ultralytics安装YOLOv8所需的python库
3. 添加系统环境变量
   由于YOLOv5需要在命令行调用python，所以我们需要将python添加至系统的环境变量，否则就会报错。
   右键此电脑点属性，点击高级系统设置、环境变量、双击path
   
   进入后新建一条环境变量，填入python解释器的地址
   
4. 配置默认数据集位置（注意此步骤在运行yolov5后须重新进行）
   在ultralytics-main文件夹下新建一个datasets文件夹。
   在pycharm中打开终端输入yolo settings datasets_dir='E:\PycharmProject\ultralytics-main\datasets'，将默认数据集位置设置为E:\PycharmProject\ultralytics-main\datasets
   将数据集复制到datasets文件夹下，并拷贝coco128.ymal至datasets文件夹下如下图所示。
   
   打开拷贝后的yaml文件进行如下配置
   
   最后在pycharm中点开终端，输入yolo detect train data=E:\PycharmProject\ultralytics-main\datasets\ship.yaml model=yolov8s.pt epochs=100 imgsz=640
   其中data为存放ship.ymal的绝对路径，model为预训练模型，epochs为训练次数。
   其他参数可见官方文档。
   训练结果与yolov5一样存在于runs文件夹中。
5. 新建detect.py文件进行检测
   右键点击主目录新建detect.py文件
   
   输入detect.py回车
   
   可以看到在主目录下生成了detect.py文件
   
   双击打开detect.py,拷贝下面的代码（这些代码在官方文档中都有，大家一定要认真查看官方文档）

from PIL import Image
from ultralytics import YOLO

# 加载预训练的YOLOv8n模型
model = YOLO('runs/detect/train/weights/best.pt')

# 在'bus.jpg'上运行推理
results = model('datasets/ship/val/images/000011.jpg')  # 结果列表

# 展示结果
for r in results:
    im_array = r.plot()  # 绘制包含预测结果的BGR numpy数组
    im = Image.fromarray(im_array[..., ::-1])  # RGB PIL图像
    im.show()  # 显示图像
    im.save('results.jpg')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

点击运行之后等待一会可以看到检测结果弹窗，并且在主目录下生成了一个result.jpg图片。

问题解答

待续