YOLOV5 的安裝與使用

預備環境：pytorch

第一步，從github上下載下傳工程檔案

因為版本會經常更新，是以還是從官方下載下傳比較好，百度下很容易出現依賴與yolov5版本不一緻，權重檔案不比對等問題（别問我是怎麼知道的）。本文所有步驟需要的包都從可靠來源下載下傳。

github網址

在搜尋欄中搜尋yolov5。

如果沒有git，那麼直接下載下傳zip包即可。

如果嫌下載下傳慢，可以把這個倉庫克隆到碼雲，從碼雲上下載下傳。這個方法百度一下有很多部落格寫道。百度一下：“github遷移碼雲”這類關鍵字即可。下載下傳完後，解壓到想要的路徑。以下所說的工程路徑就是這個解壓後的檔案夾。

第二步 下載下傳依賴

在解壓好的工程檔案中，可以找到requirements.txt檔案。在yolov5目錄下打開指令行，或者在開始菜單打開指令行，通過 cd /d(如果想要跳轉的目錄分區和目前指令行運作分區相同則不用輸入/d) yolov5工程路徑進入指定路徑 。

然後輸入指令

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple，等待pip自動下載下傳所需要的依賴。-i 參數是從清華鏡像中下載下傳依賴包，如果不加，則從國外源下載下傳，不僅速度慢，還容易下載下傳失敗。

第三步 下載下傳權重檔案

在https://github.com/ultralytics/yolov5/releases中下載下傳4個權重檔案，放到工程路徑下的weights檔案夾中。

可以不全部下載下傳，先下載下傳最小的（容易下載下傳成功）。等到以後要用的時候再想辦法下載下傳其他的權重檔案。

第四步 測試detect.py

在工程檔案在運作cmd。

然後輸入python detect.py --source 0 --weights=“weights/yolov5s.pt” (如果裝置有攝像頭）

或者python detect.py --source=“data/images/bus.jpg” --weights=“weights/yolov5s.pt”(裝置沒有攝像頭）

前者會打開攝像頭并實時探測物品，後者将用工程自帶的一張測試圖檔進行測試。運作結束後，會列印結果檔案的位置。在這個位置中可以找到測試結果。

第五步 制作自己的資料集–下載下傳LabelImg

任意位置運作cmd,然後 pip install LabelImg -i https://pypi.tuna.tsinghua.edu.cn/simple

下載下傳安裝完成後運作cmd，輸入LabelImg，打開程式

第六步 制作自己的資料集–打标簽

把準備好的圖檔放到一個檔案夾中，在LabelImg中打開這個檔案夾。然後設定标簽檔案輸出位置（change save Dir)。不要放在與圖檔相同的位置就行。然後對每張圖檔畫框打标簽。按w鍵可以畫框，畫完框後，就會彈出對話框，然後在對話框上寫上标簽名就行（這步工作就是說明圖檔上這個位置是什麼東西）。打完标簽後，你就得到兩個檔案夾。圖檔和标簽。在标簽檔案夾中，你還得到了一個classes.txt檔案。這個檔案記錄了資料集中所有類别。标簽檔案中記錄的是引索。需要通過這個classes.txt檔案才能知道對應的物品名稱。圖檔和标簽兩個檔案夾中的檔案一一對應，它們名字相同，字尾名不同。然後你需要把資料分為訓練集和測試集，比例要适中。

此時，你擁有4個檔案夾和一個class.txt檔案。

1. train圖檔
2. train标簽（與train 圖檔一一對應，名字相同，字尾不同）
3. test圖檔
4. test标簽 （與test 圖檔一一對應，名字相同，字尾不同)

第七步 把自己的資料集轉移到yolov5工程目錄

在工程目錄下找到data檔案夾，在這個檔案夾裡建立一個檔案夾。可以任意命名（為友善說明，這裡用命名為mydataset。在mydataset下建立兩個檔案夾。一個命名為images,另一個命名為labels。這兩個檔案夾名字是規定的，不能随意。然後分别在這兩個檔案夾下都建立兩個檔案夾，命名為train,test。

然後把第六步得到的4個檔案夾中的檔案轉移到對應目錄中

1. train圖檔->images/train
2. train标簽->labels/train
3. test圖檔->images/test
4. test标簽->labels/test

第七步 調整配置檔案

1. 打開工程目錄/models/yolov5s.yaml檔案（如果訓練的是其他模型則打開其他模型的yaml檔案），然後把nc改為第六步中classes.txt中類别的數量。（你資料集中标簽了多少樣東西，這個數字就是幾）
2. 打開工程目錄/data/coco128.yaml檔案。

   

   把train:設定為第六步的train圖檔的存放位置

   把val:設定為第六步的test圖檔的存放位置

   程式會自動搜尋labels檔案的位置。這也就是第六步為什麼要規定圖檔與标簽檔案夾名字的原因。這個搜尋是通過簡單字元串替換實作的

   把nc:改為資料集的類别數目（1中的一樣）

   把names改為類别名稱，順序要和第六步得到的classes.txt中的一樣。

3. （可選）在train.py後面追加一句

   strip_optimizer(best)

   追加這一句可以使得得到的權重檔案的大小與公布的一緻，否則，會比較大。

第七步 訓練權重

指令行切換到工程目錄下。運作指令（運作之前確定修改的配置檔案都儲存好了）

python train.py --img 640 --data data/coco128.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt --batch-size 8 --epochs 50

這些參數根據實際情況進行調整。–cfg 訓示用到的模型的配置檔案的位置。–weights 訓示對應模型權重檔案的位置。

在開始訓練前。會列印輸出的位置。我們會得到訓練名額，訓練後的兩個權重檔案（一個是最佳權重，一個是最後一輪訓練得到的權重）。

訓練完成後，就可以去那個目錄檢視結果。

第八步 用訓練得到的權重進行預測

與第四步一樣，不同的是權重檔案的位置變了

python detect.py --source 0 --weights=“weights/yolov5s.pt”。改一下權重路徑就行。

=>python detect.py --source 0 --weights=“runs\train\exp3\weights\best.pt”

source 參數說明

如果是0，則打開攝像頭

如果是圖檔路徑，則對圖檔進行預測。結果路徑會列印

如果是檔案夾，則對檔案夾中的圖檔和視訊進行預測。

如果是視訊，則對視訊進行預測。