重要提示:本文章仅作为技术分享与学习交流,严禁用于其他任何用途,如有任何问题请及时与我联系,谢谢!
一、Yolov5下载
- 打开yolov5的github的官网选择最新版本进行下载
- 注意Python与Pytorch的版本要求
二、Python环境
- 详见之前文章Python版本管理-Miniconda
- 创建一个名为pytorch的Python3.8环境并激活
conda create -n pytorch python=3.8
conda activate pytorch
三、PyTorch安装
- 确认最高支持的CUDA版本,在cmd中执行nvidia-smi查看
- 打开pytorch的官网,根据自己系统选择对应的配置。最后在激活的pytorch环境中执行红色框的命令等待安装完成即可
四、PyTorch校验
- 打开Pycharm,将当前解释器切换到新创建的pytorch环境
- 执行如下代码,无异常即可
import torch
# Pytorch的版本
print(torch.__version__)
# True说明cuda已经安装
print(torch.cuda.is_available())
# True说明cudnn已经安装
print(torch.backends.cudnn.is_available())
# cuda的版本
print(torch.cuda_version)
# cudnn的版本
print(torch.backends.cudnn.version())
五、Yolov5校验
- 解压下载文件后进入文件夹会看到名为requirements的文件,为Yolov5所需要的依赖库,在终端执行
pip install -r requirements.txt
进行安装即可。 - 相关依赖安装完成后,直接运行
detect.py
文件进行环境测试。 - 运行过程中会自动下载一个
yolov5s.pt
的权重模型(黄色框)。下载成功后自动识别data\images
下的图片(蓝色框)。识别到的类别(红色框)。识别的标记结果保存到runs\detect\exp
下(绿色框)。
- 识别的标记结果如下,至此Yolov5运行成功
六、训练指令说明(train.py)
七、检测指令说明(detect.py)
八、导出指令说明(export.py)
--weights
需要导出的pt模型路径--imgsz
模型推理的图片分辨率大小--include
指定需要的模型
九、最后
- 有什么疑问欢迎留言!
- 公众号乱炖Set,欢迎前来关注!
版权声明:本文为weixin_44332602原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。