【YOLOV5 入门】——环境配置（Miniconda/Pytorch/YOLOv5/PYPI镜像源）

声明：笔记是毕设时根据B站博主视频学习时自己编写，请勿随意转载！

计划：

入门篇：环境安装、模型检测、构建自定义数据集、训练数据集、可视化界面搭建、Web系统搭建。拓展篇：使用服务器训练、使用pycharm和VScode。进阶篇：修改模型、模型结构原理。部署篇：模型部署。

一、环境安装

友情提示：安装过程中请别关闭cmd！

1、Miniconda环境管理器

下面内容是有关miniconda环境管理器和集成开发环境（IDE）的关系，可作为拓展：

Miniconda:
- Miniconda是一个轻量级的Anaconda发行版（无太多内置包），用于管理Python环境和软件包。它允许你在不同的项目中创建独立的Python环境，并轻松地安装、更新和管理各种Python包和依赖项。
- 对于使用PyTorch和YOLOv5的项目，你可以通过Miniconda创建一个独立的Python环境，并在该环境中安装所需的PyTorch和其他相关软件包，以避免与其他项目的依赖冲突。
PyCharm:
- PyCharm是一款流行的Python集成开发环境（IDE），提供了丰富的功能和工具，帮助开发者编写、调试和管理Python代码。
- 通过PyCharm，你可以更轻松地创建、组织和管理Python项目，并利用其强大的代码编辑、调试和版本控制功能来提高开发效率。
- 对于使用PyTorch和YOLOv5的项目，PyCharm可以作为一个强大的开发工具，帮助你更好地编写和调试代码，以及管理项目文件和依赖项。

Miniconda用于管理Python环境和依赖项，而PyCharm则用于开发、调试和管理Python项目。它们与PyTorch和YOLOv5的关系是在项目开发过程中提供便捷的环境和工具支持，从而更高效地进行深度学习模型的开发和应用。

Minicondahttps://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/

选上面那个与up主一致的版本下载，双击安装，尽量在C盘，路径不要出现非英文和空格。

推荐选中第二项将其添加到PATH

最后安装完成，可取消下图的两个选项，点击Finsh。

打开cmd输入下面命令，创建一个名字为yolov5的环境，python版本是3.8，回车

conda create -n yolov5 python=3.8

提示需要安装一些包，输入“y”再回车

环境创建完毕，然后激活环境（每次进cmd都要先激活），输入以下命令再回车：

conda activate yolov5

2、PYPI镜像源

激活完成（先别关闭cmd），下面配置一个国内的PYPI镜像，以便于后续下载python的一些包：

PYPI镜像安装帮助https://mirrors.tuna.tsinghua.edu.cn/help/pypi/这里我们选取上面安装帮助的这段代码：（输入到cmd）

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

3、Pytorch框架

PyTorch是一个基于Python的开源机器学习库，它能够提供强大的GPU加速功能，以及内置的自动微分系统，可帮助开发人员更快地进行实验和建立神经网络模型。PyTorch由Facebook AI研究团队维护和开发，因其易于使用和灵活的API以及动态计算图的特点而受到广泛欢迎和关注。

YOLOv5是基于PyTorch框架开发的，安装PyTorch是为了更好地运行YOLOv5算法。PyTorch提供了丰富的功能和API，使得训练和推理深度学习模型变得更加简单和高效。利用其强大的GPU加速功能，加快YOLOv5模型的训练和推理速度。此外，PyTorch还提供了丰富的工具和库，帮助你更好地管理数据、设计模型以及进行实验和评估。Pytorch拓展如下：

PyTorch核心是一个张量计算库，可以高效地处理矩阵计算、卷积和其他数学运算。
也支持CPU和GPU计算，提供了方便实用的工具和函数，以便编写神经网络模型和训练。
提供了强大的自动微分系统，可以轻松地计算梯度。
同时支持动态计算图，动态计算图有利于减少模型构建的复杂性，并令开发人员更加深入地了解模型的计算过程。
具有易于使用、灵活的API和出色的计算性能，因此被广泛应用于自然语言处理、计算机视觉和其他人工智能领域的研究和应用中。

Pytorch官网https://pytorch.org/可见最新已经更新到2.2.1了，但YOLOv5用不到这么高的版本，点击下面的“Previous version of Pytorch”

这里选择1.8.2版本Wheel里面的pip安装方法（不推荐conda install的安装形式）。注：如果只有CPU就选择第三个，有显卡的可第一个第二个（具体什么型号的显卡对应第1个还是第2个一定要实现调查清楚）

附：查看显卡类型如下，我这个intel的显卡网上说不支持CUDA，只有英伟达NVIDIA显卡的支持（见最后关于CUDA的拓展部分），我安装了CPU版本的。

将对应的安装命令输入到cmd框，但是我这个报错，但up主不推荐高版本的说训练时会遇到问题，那重新选了1.9.0版本的就行：

conda install pytorch==1.9.0 torchvision==0.10.0 torchaudio==0.9.0 cpuonly -c pytorch

4、YOLOv5检测算法

YOLO（You Only Look Once）是一种基于深度学习的目标检测算法，可以在一次前向传递中直接从图像中检测所有物体的位置和类别。特点是速度快，可以在CPU上实时处理视频。它采用全卷积神经网络，可以在一个端到端的过程中识别整个图像中的所有物体。

与传统的先检测再分类不同，YOLO是一个直接的目标检测算法，可以显著减少地址传递，实现实时的目标检测。不过，与其他检测算法相比，YOLO的准确度相对较低，因为它需要在各种尺度下检测物体，而且对于小物体检测效果不太好。

YOLOv5 是一种用于目标检测的深度学习模型，是YOLO（You Only Look Once）系列的最/较新版本，由Ultralytics团队于2020年开发的，其主要目标是提高目标检测的速度和准确性。相比于之前的版本，YOLOv5在多个方面进行了改进，包括网络结构、训练策略和推理速度。

1、采用了一些新技术来提高训练和推理的效率，例如自动数据增强和模型压缩等。
一些新的技术来提高模型的鲁棒性和泛化能力，例如采用新的数据增强技术和正则化方法等。
采用了更深的网络结构和更高级的特征提取技术，从而使其在目标检测任务上表现更好。
2、相比YOLOv4具有更简单的网络结构，但在速度和准确性上表现相当，甚至在某些情况下略有提升。
3、相比YOLOv3具有更好的性能和速度。YOLOv3在速度和准确性上存在一些瓶颈。

YOLOv5官方githubhttps://github.com/ultralytics/yolov5点进右边Releases的v7.0-YOLOV5版本：

下滑下载Source code（zip）

可以解压到桌面，打开里面的requairments记事本文件

修改numpy和pillow的版本（更改时一定要用英文，因为这个报错我搞了好久），并注释掉torch和torchvision（因为之前已经安装了符合要求的版本，自动安装可能会默认成cpu版本）：

保存txt记事本，下面可以执行该requirements文件。首先进入该文件夹（一定要保证环境是激活状态即前面有环境名yolov5）

pip install -r requirements.txt

安装完成，到这里基本可以认为环境安装完成。

二、模型初步检测（检测示例）

可以进行一个模型检测的实例：

上面会先弹出你的torch版本可以看到我的时cpu版本，这个下载太慢可以停下，复制Downloading链接到网页下载，把下载好的文件粘贴在yolov5-7.0的文件夹里：

退出刚才下载太慢的界面（刚才已经通过网页下载完毕），重新执行模型检测命令

检测完成，它结果保存再runs\detect\exp2中，可以点开查看一下：

本期就到这里，下期继续学习！感谢你这么好看还关注柯宝！

三、拓展知识

但是当系统没有GPU设备，或者不需要利用GPU进行加速计算，选择安装CPU版本的PyTorch来满足需求，则不涉及CUDA。我本次的安装就是这样。

CUDA简介

CUDA（Compute Unified Device Architecture，计算统一设备架构）是由英伟达公司开发的一种并行计算平台和编程模型，它可以便捷地将 GPU 看作泛化的并行处理器，用于加速计算密集型应用程序。

CUDA 平台的核心概念是线程块（thread block）、网格（grid）和 GPU 上的共享内存（shared memory）。线程块是指在 GPU 上同时运行的一组线程，而网格则是包含若干个线程块的结构。CUDA 提供了丰富的函数库，包括矩阵操作、图像处理、快速傅立叶变换等，使开发人员可以方便地编写并行化的算法。而共享内存则是在线程块内用于共享数据的内存空间，通过合理地使用共享内存，可以使并行程序的性能进一步提升。

CUDA 的主要应用领域包括科学计算、计算机视觉、深度学习和游戏等，CUDA 已经成为了 GPU 计算领域最为流行的开发平台之一。

CUDA和Pytorch的关系

CUDA（Compute Unified Device Architecture）是由NVIDIA提供的并行计算平台和编程模型，用于利用GPU进行通用目的计算。而PyTorch是一个基于Python的深度学习框架，提供了丰富的工具和API来构建、训练和部署深度学习模型。关系体现在下面几方面：

GPU加速：
- PyTorch可以利用CUDA来实现在GPU上进行加速计算。通过PyTorch中提供的torch.cuda模块，可以轻松地将张量和计算操作移动到GPU上执行，从而加快深度学习模型的训练和推理速度。
- CUDA提供了底层的GPU编程接口和并行计算能力，PyTorch利用这些接口和能力来实现高效的GPU加速。
深度学习库的支持：
- CUDA是许多深度学习框架的基础（包括PyTorch），这些框架在GPU上执行计算时通常会使用CUDA来实现。
- PyTorch内置了对CUDA的支持，因此开发者可以在PyTorch中直接利用CUDA来加速深度学习任务，而无需深入了解CUDA的底层细节。
硬件依赖：
- PyTorch的CUDA支持依赖于NVIDIA的GPU硬件。只有安装了NVIDIA的显卡和相应的CUDA驱动程序后，才能在PyTorch中使用CUDA进行GPU加速计算。