conda简单指令

conda --version #查看conda版本，验证是否安装

conda env list #查看所有环境

conda create -n env_name package_name #创建名为env_name的新环境，并在该环境下安装名为package_name 的包，可以指定新环境的版本号
例如：conda create -n python2 python=python2.7 numpy pandas，创建了python2环境，python版本为2.7，同时还安装了numpy pandas包

conda activate env_name #进入env_name环境

conda deactivate #退出环境

conda create --name new_env_name --clone old_env_name #复制old_env_name为new_env_name

conda remove --name env_name –all #删除环境

conda list #查看所有已经安装的包

conda install package_name #在当前环境中安装包

conda install --name env_name package_name #在指定环境中安装包

conda remove – name env_name package #删除指定环境中的包

conda remove package #删除当前环境中的包

win命令窗口简单指令

dir #显示当前文件夹中的所有文件

cd   #文件夹名或者文件夹路径 #跳转到文件夹

cd ..  #移动到上一个文件夹

2、配置环境

在win开始目录里找到Anaconda3文件，打开Anaconda prompt

输入

conda create -n yolo python==3.8.5   #创建一个名字叫yolo的环境，使用python3.8.5
#下图环境的名称是yolo5，这是因为我已经有yolo的环境了，所以用yolo5的名称来做演示

输入yes

耐心等待下载安装完成，半小时左右

conda activate yolo

可以看到环境从base变成yolo了

除了环境空间，我们还需要安装软件包

打开pytorch官网PyTorch

选择与电脑对于的版本与安装方式，我上面写的conda安装，也可以选择pip安装

如果你用的是独立显卡，你可以选cuda11.3或者cuda11.6，如果只用cpu那选择选cpu

显卡驱动务必更新到最新，具体安装参考

然后复制下方的安装代码，在yolo的环境下复制回车

注意一定要先切换到yolo环境，在yolo的环境下安装

输入yes

安装完成后进入py环境，输入指令验证

python

import torch 

print(torch.__version__) # pytorch版本
print(torch.version.cuda) # cuda版本
print(torch.cuda.is_available()) # 查看cuda是否可用

#crtl+z 回车  退出python环境

得到pytorch版本1.12.0+cu113，这个cu113表示是使用gpu的版本是正确的

注意，如果出现1.12.0+cpu 说明你安装错了，这是cpu版本，要卸载cpu版，重新安装gpu版的

后面的查看cuda是否可用是指，是否可以调用gpu，只有为ture才能调用gpu

conda uninstall pytorch #conda卸载
pip uninstall torch #pip卸载
#你用那个指令安装的就用那个指令卸载

具体看pytorch安装及卸载_翟羽嚄的博客-CSDN博客_卸载pytorch

然后是其他软件包的安装

先移动到yolov5源代码的位置

cd \\Users\\Administrator\\yolov5 #你放在哪里就cd到你放的那个路径

在显示文件夹里的文件

dir

可以看到有个叫requirements.txt的文件，里面放的是yolov5要安装的软件包和版本

我们在文件管理器中打开requirements.txt

找到这两行，在前面加#号注释掉或者直接删掉这两行

注意！！这两行其实就是pytorch的安装指令，但是这条指令执行后会默认安装cpu版本的pytorch，覆盖掉我们之前安装的gpu版本，这也是为什么大部分人装了半天gpu版本，最后一查是cpu版本的原因。

使用pip下载requirements.txt里所有软件包

pip install -r requirements.txt

安装labelme，用于标注图片

pip install labelimg

安装VScode，用于编辑python程序

VSCode安装教程（超详细）_牛哄哄的柯南的博客-CSDN博客_vscode安装

3、测试环境是否正确配置

打开VScode，找到yolov5文件目录，选择detect.py文件，在右下角选择编译器为yolo

点击右上角运行

正常情况下运行后会在runs\\detect文件下出现一个以exp为前缀的新文件夹，找到最新的那个，打开可以看到两张被标注好的照片

但直接运行成功的情况太少了，大部分人的情况是遇到

ModuleNotFoundError: No module named requests

Unknown or unsupported command install

ModuleNotFoundError: No module named ‘tqdm‘

ModuleNotFoundError: No module named ‘seaborn‘

环境变量有中文导致的软件不能使用的问题

关于VS Code中“相对路径”异常的解决办法（windows系统）

ModuleNotFoundError: No module named ‘pandas’

WARNING:Ignore distutils configs in setup.cfg due to encoding errors

解决：python：ModuleNotFoundError: No module named requests与Unknown or unsupported command install报错_Aloeox的博客-CSDN博客

ModuleNotFoundError: No module named ‘tqdm‘_长沙有肥鱼的博客-CSDN博客

ModuleNotFoundError: No module named ‘seaborn‘（缺少seaborn包）_Mr.小蔡的博客-CSDN博客

环境变量有中文导致的软件不能使用的问题_一抹烟霞的博客-CSDN博客

关于VS Code中“相对路径”异常的解决办法（windows系统）_恒木mh的博客-CSDN博客_vscode相对路径用不了

Jupyter Notebook报错 ModuleNotFoundError: No module named ‘pandas’_StefanJ的博客-CSDN博客【WARNING:Ignore distutils configs in setup.cfg due to encoding errors】完美解决_Youcai Zhang的博客-CSDN博客

这些是我遇到的问题，所有你们大概率也会遇到，你们可以关注我，在我的收藏夹里可以看到深度学习的收藏夹，里面的内容你们可能用得到。

当解决完所有问题，runs\\detect出现被标注好的照片后，即代表环境已经配置好了，接下来我们进行下一步训练模型

二、训练模型

1、标注图片

首先，对着要识别的物体拍一大堆照片

然后按照下图顺序新建文件夹

mydata
├─ images
│ ├─ test # 下面放测试集图片
│ ├─ train # 下面放训练集图片
│ └─ val # 下面放验证集图片
└─ labels
├─ test # 下面放测试集标签
├─ train # 下面放训练集标签
├─ val # 下面放验证集标签

如图，mydata 文件夹的位置可以随意放置，记住路径即可，但mydata的内部文件夹的名称与位置要与上面图片一致。

我这里存放在C:\\Users\\Administrator\\yolov5\\

将开始拍摄好的照片放在mydata/images/train下

注意，图片数量至少50张起步，越多越好，没有上限

注意，如果文件名字太乱可以用以下方法更改，不过不改也没有太大问题Python批量改变图片名字_怪&的博客-CSDN博客_python修改图片名称

回到Anaconda prompt 进入yolo环境

输入

labelimg

可以看到弹出了一个界面

先打开，文件位置选择你存放图片的地方mydata\\images\\train，我这里是C:\\Users\\Administrator\\yolov5\\mydata\\images\\train

在打开，文件位置选择在你要保存标注文件的地方mydata\\labels\\train，我这里是

C:\\Users\\Administrator\\yolov5\\mydata\\labels\\train

注意，图片文件必须保存在mydata\\images\\train下，标注文件必须保存在mydata\\labels\\train文件下，必须在同一个mydata文件下，不然程序可能找不到

点击save按键下方的切换标注模式为yolo

在view中设置auto save mode自动保存

labelimg的快捷键

实际只用w键创建标注框，使用d、a键切换上下图片

用w框选要识别的物体，输入标注物体名字标签，我标注的是剪刀scissors

然后按d键切换下一张，直到标注完所有图片的

注意，可以一次标注多个不同物体，这里演示所以只识别一种物体

2、检查标签

打开mydata\\labels\\train文件

我这里是C:\\Users\\Administrator\\yolov5\\mydata\\labels\\train

可以看到有很多txt文件,点开第一个classes.txt文件，显示只有scissors一种标签，如果你标注了几种这里就会有几种

标注完成后，打开mydata/images/train文件夹，将train里的图片挑选出大概10张（总图片的10%）特别清晰明显的图片，复制到images/val和images/test中。

val验证集用于调整训练曲线，比如当你的模型训练是遇到了模糊的图片或者其他玄学原因，导致模型出现了偏差，但是模型隔一段时间就会去跑一次验证集，这个时候验证集清晰的图片就会把这个偏差给去除，防止我们最后得到的模型精度偏差太大。

test测试集是最后模型训练完成了，测试一下模型的精度。

图片复制完后就要复制图片的标注文件

打开mydata/labels/train文件夹，复制你刚才挑选的图片的对应标注文件，复制到/labels/val与/labels/test

注意，实际这两个集可以直接为空，或者直接将训练集里复制所有文件都复制到测试集和验证集里，我这里是直接复制训练集里所有文件到另外两个集里

3、更改运行文件

将运行文件中的数据位置改成我们文件实际位置

1.修改coco128.yaml

打开yolov5\\data 文件夹，找到coco128.yaml文件，复制一份，重命名为mydata.yaml

我的路径为C:\\Users\\Administrator\\yolov5\\data

打开mydata.yaml，

修改：注释path行，

修改为train：mydata//images/train，此项为训练集相对相对位置（相对于主程序train.py的位置）

修改val: mydata/images/val，此项为验证集的相对位置

修改test: mydata/images/test，此项为测试集的相对位置

修改nc：1 此项为标签种类数，我只标记了一种，所以此处为1

修改names: ['scissors']，更改你的标签名称，有几种写几种

注释download ，此项为下载yolov5的默认脚本，对我们没用

2.修改yolov5s.yaml

打开yolov5\\models，找到yolov5s.yaml，复制一份重命名为myyolov5s.yaml

我的路径为C:\\Users\\Administrator\\yolov5\\models\\

打开myyolov5s.yaml

只需要修改一项将nc改为1，此项为我们的标签种类数

注意，我们发现除了yolov5s.yaml，还有yolov5l.yaml、yolov5m.yaml、yolov5n.yaml、yolov5x.yaml

打开这些文件，仔细观察，发现只有这两项不一样

这两项是指神经网络的深度和宽度，在使用过程中这两项的数值越大，模型的精度越高，但所需要的时间也越多，模型精度从小到大依次为，yolov5n.yaml、yolov5s.yaml、yolov5m.yaml、yolov5l.yaml、yolov5x.yaml，如果你的显卡配置够好的话可以选择yolov5x.yaml，如果差一点的话可以选择yolov5n.yaml，我这里选择yolov5s.yaml

4、修改train.py

打开yolov5文件夹，找到 train.py文件，复制重命名为mytrain.py

我的文件路径为C:\\Users\\Administrator\\yolov5\\train.py

打开mytrain.py，下滑到473行

此部分代码详解请参照

yolov5的train文件代码含义解析（部分）_我有个想法~不，你不想的博客-CSDN博客_train文件

我们只需要修改这一段代码中的少数几行中"default="字样之后的文字

parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default= 'yolov5s.pt', help='initial weights path')
#预训练模型，可不填，但效果会很差，默认为yolov5s.pt
    parser.add_argument('--cfg', type=str, default='models/myyolov5s.yaml', help='model.yaml path')
#必要修改
#修改地址为models/myyolov5s.yaml，训练模型文件位置
    parser.add_argument('--data', type=str, default='data/mydata.yaml', help='dataset.yaml path')
#必要修改
#修改地址为data/mydata.yaml，数据集文件位置
    parser.add_argument('--hyp', type=str, default= 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')
    parser.add_argument('--epochs', type=int, default=100)
#修改训练轮数为100，轮数越高，精度越高，速度越慢，默认300
    parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')
#线程数默认为16，越大越快，不能过大，
    parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')
#图片大小，越小越快，但精度越差，一般图片多大填多大，不规则填最长边尺寸
    parser.add_argument('--rect', action='store_true', help='rectangular training')
    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
#继续训练，如果上一次训练中止了，只要在这里填上Ture，就可以继续完成上一次训练
    parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
    parser.add_argument('--noval', action='store_true', help='only validate final epoch')
    parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')
    parser.add_argument('--noplots', action='store_true', help='save no plot files')
    parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')
    parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
    parser.add_argument('--cache', type=str, nargs='?', const='ram', help='--cache images in "ram" (default) or "disk"')
    parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
    parser.add_argument('--device', default='0', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
#必要修改
#修改为0，0的意思是调用gpu0，如果你的电脑有几块gpu可以填1，2，3，如果没有gpu可以在上面填cpu
    parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
    parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')
    parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
    parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')
    parser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')
    parser.add_argument('--name', default='exp', help='save to project/name')
    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
    parser.add_argument('--quad', action='store_true', help='quad dataloader')
    parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler')
    parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
    parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')
    parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone=10, first3=0 1 2')
    parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')
    parser.add_argument('--seed', type=int, default=0, help='Global training seed')
    parser.add_argument('--local_rank', type=int, default=-1, help='Automatic DDP Multi-GPU argument, do not modify')

注意，必须要修改 --data --cfg --batch-size 这三行代码

其他的可以稍微调整来提高精度或减少训练时间

注意！！修改好后，点击ctrl+s保存

5、开始训练，运行mytrain.py

打开Anaconda prompt

输入

conda activate yolo #切换到yolo环境

cd C:/Users/Administrator/yolov5 #移动到yolov5文件夹
#cd 后面改成你文件夹的位置

python mytrain.py  #运行程序，开始训练

等待程序运行完成，打开yolov5\\runs\\train，找到最新的exp前缀的文件夹，我这里是exp8，点击进入后，打开weights文件夹

我的路径为C:\\Users\\Administrator\\yolov5\\runs\\train\\exp8\\weights

可以看到

有best.pt和last.pt，这两个文件就是我们训练得到的模型。

best.pt的精度更高，但是识别率低，可能存在看到了目标，但因为阈值过高而无法识别，last.pt的精度低，但是识别率高，可能存在没看到目标，但因为阈值过低，将其他物体错误识别成目标物体

以上问题归根结底还是数据太少的原因导致，只要数据足够多，精度是可以保证的。

三、使用模型

打开yolov5文件夹，找到detect.py文件

我的路径 C:\\Users\\Administrator\\yolov5\\detect.py

detect.py程序里集成了模型所有的使用情况

打开文件，找到第215行

注意，我们主要修改 --weights --source，这两行

1、调用摄像头

打开detect.py文件

修改 --weights 为 runs/train/exp8/weights/last.pt 修改使用模型的位置，我们使用last.pt模型

修改 --source 为 0 修改调用摄像头0，如果有多个可以改1、2、3

    parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'runs/train/exp8/weights/last.pt', help='model path(s)')
    parser.add_argument('--source', type=str, default= '0', help='file/dir/URL/glob, 0 for webcam')

修改好后，点击ctrl+s保存

在vscode中选中yolo环境点击运行即可

或者在Anaconda prompt在yolo环境中，在文件路径下输入

python detect.py

2、识别本地图片或者视频

同样，打开detect.py文件

修改 --weights 为 runs/train/exp8/weights/last.pt 修改使用模型的位置，我们使用last.pt模型

当识别文件夹里的图片，修改 --source 为 mydata/images/test 识别相对路径里mydata/images/test里我们放的测试集里所有图片

如果识别单个视频或图片，修改 --source 为 video\\test.mp4 识别相对路径video/test.mp4 识别mp4视频文件

修改好后，点击ctrl+s保存

    parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'runs/train/exp8/weights/last.pt', help='model path(s)')
    parser.add_argument('--source', type=str, default= 'video/test.mp4', help='file/dir/URL/glob, 0 for webcam')

在vscode中选中yolo环境点击运行即可，或者在Anaconda prompt中，在yolo环境中，在文件路径下输入

python detect.py

运行成功后看到输出路径为 runs\\detect\\exp11

移动到该路径可以看到名字为test.mp4的文件，打开文件

看到视频中已经标注好了目标物体

注意，这里是识别本地的文件，我们只要指定路径文件或者直接给文件夹路径就行

3、识别网络摄像头或者流媒体

先准备一台手机，和电脑连接同一个WiFi

手机下载IP摄像头app

打开软件

点击打开ip摄像头服务器，记住账号密码，以及局域网访问地址

回到电脑

打开detect.py文件

修改 --weights 为 yolov5s.pt 修改使用模型的位置，我们使用在自带 yolov5s.pt 模型（放在yolov5根目录下）

修改 --source 为 http://admin:admin@192.168.31.166:8081 此项修改为你自己手机上的ip

修改好后，点击ctrl+s保存

    parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'yolov5s.pt', help='model path(s)')
    parser.add_argument('--source', type=str, default= 'http://admin:admin@192.168.31.166:8081', help='file/dir/URL/glob, 0 for webcam')

在vscode中选中yolo环境点击运行即可，或者在Anaconda prompt中，在yolo环境中，在文件路径下输入