win10 yolov5环境搭建

本来电脑装的是双系统的，另一个系统是Ubuntu18，自带python3.6.9,yolov5需要python3.8以上，死活装不上，根据网上教程还搞了PPA什么的也不行，最后下载了python3.8的源码包编译，就装上了；但是又有其他问题，opencv-python的4.11版本安装不了。。。

无奈换回windows10，下载了python3.8.8的exe，千万别下到32位版本的exe,不然后面pip装其他包的时候，有些没有32位的wheel包（编译好的二进制安装文件），就要下载来编译，就会报没有C编译器的错误；

下载64位的python3.8.8的exe：https://www.python.org/ftp/python/3.8.8/python-3.8.8-amd64.exe

安装的第一个页面记得勾选“add PATH”，这样后面就不用手动添加环境变量了

进到项目网址GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite · GitHub

手动下载压缩包，并解压到桌面或者自己喜欢的目录，路径不要有中文

win+R 输入cmd回车，打开命令行

命令行中输入 修改为你的解压目录，在这里可以复制过去

cd C:\Users\xxxx\Desktop\robot_base\yolov5-master

输入     设置国内的镜像源，下载会比较快

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

输入      下载包依赖

pip install -r requirements.txt

   只要python版本>3.8.0，基本上不会出问题，怎么看电脑装的是多少版本的，命令行敲python后回车，就会打印出版本号了，输入exit()回车，就退出python

安装git，后面训练的时候要用到，右键复制下载链接到迅雷下会比较快。

Git - Install for Windows   安装的时候一直点next就行

测试安装

把要推理的图片放入项目的根目录

输入

python detect.py --weights yolov5s.pt --source img.jpg

其中报一些pip的错不理他，反正能正确推理出结果就不理他

识别出来的结果放到了这个文件夹里，至此，yolov5 的Windows环境搭建成功！

如果想识别一堆图片，那就把图片所在的路径复制一下

python detect.py --weights yolov5s.pt --source C:\Users\XXX\Desktop\chayou\source

输出结果

数据集准备

首先得收集图片，然后尽量给改成jpg格式的，可以用格式工厂转一下，

图片的名字可能千变万化，为了好看，便于整理，可以手动重命名排序一下，照片多就让ai写一个排序改名的python程序

收集的图片尽量是在那种在实际应用场景能碰到的，比如我这个应用场景是一个果实的采摘场景，你收集的图片就是在室外农场里近距离的，1-5个果实，相当于近距离引导机械臂视觉定位用；

像以上这种一大片的，或者在盆子里装着的、就不是我们的应用场景里的，没办法和叶子、背景那些区分开，就不要放到数据集里了。

下载一下数据标注软件：
链接: https://pan.baidu.com/s/1zzTqpKcPyQOXj-zzy6NzQw?pwd=6666 提取码: 6666

软件自带默认的标签，假如你有很多种物品要标注，那就按照下面来

apple
banana
orange

我这里只标注1种果子，就直接1个标签了

双击labelImg.exe 

软件默认标签文件是PascalVoc 格式，这种格式的标签文件是xml格式的，我们要的是yolo格式的，像上图一样，输出的是txt格式的

View选项里的Auto Save mode （自动保存）模式要开启，这样切换图片的时候不会跳出保存提示，开启后切换图片就可以自动保存标签文件到目录里；

如果只标注一种物品，则可以开启Single Class Mode，开启后拉完框框后不会跳出标签选择对话框，可以显著提供标注的速度；

按键盘的“W”键后会出现一个十字，按住鼠标左键开始拉框，拉完可以调整4个角点进行微调，或者选中框直接按Delete键删除标注框；标注完一张图后按“D”键进行下一张图片的标注，按“A”键返回上一张图片

标签文件打开后是这样的，有多少行就代表这张图标注了多少个框

标注好后我们开始制作数据集，先下一个别人的数据集，看看是怎么摆放的

我们下载的是最精简的数据集coco8,训练集和验证集加起来只有8张图片，

我们先新建一个文件夹，比如我这个项目叫茶油果目标检测项目，一共收集了76张照片，那数据集就命名为chayou76，在chayou76里面新建两个文件夹，分别叫images、labels

images文件夹里面再新建train、val两个文件夹，train里放01~38号jpg，val文件夹放39~76号jpg；

同样的labels文件夹里面再新建train、val两个文件夹，train里放01~38号txt，val文件夹放39~76号txt；

我们可以看到，txt里没有具体的标签名称，只有一个序号0，那怎么知道这个0对应的叫什么呢，就要用到yaml文件了，别人的yaml示例文件在yolov5项目文件夹里的data文件夹里可以找到

在yolov5项目文件夹新建一个chayou76.yaml文件，再把下面的贴进去，保存

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Example usage: python train.py --data coco128.yaml
# parent
# ├── yolov5
# └── datasets
#     └── coco128  ← downloads here (7 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: C:\Users\xxx\Desktop\chayou\chayou76 # dataset root dir
train: images/train # train images (relative to 'path') 128 images
val: images/val # val images (relative to 'path') 128 images
test: # test images (optional)

# Classes
names:
  0: fruit

训练模型

输入下面的 开始用CPU进行训练

python train.py --img 640 --batch 16 --epochs 3 --data chayou76.yaml --weights yolov5s.pt

如果训练报下面这个错就是没有装git导致的，装完git后重启命令行再进到yolov5项目文件夹中

C:\Users\XXX\Desktop\robot_base\yolov5-master>python train.py --img 640 --batch 16 --epochs 3 --data chayou76.yaml --weights yolov5s.pt
Traceback (most recent call last):
  File "C:\Users\xxx\AppData\Local\Programs\Python\Python38\lib\site-packages\git\__init__.py", line 296, in <module>
    refresh()
  File "C:\Users\xxx\AppData\Local\Programs\Python\Python38\lib\site-packages\git\__init__.py", line 287, in refresh
    if not Git.refresh(path=path):
  File "C:\Users\xxx\AppData\Local\Programs\Python\Python38\lib\site-packages\git\cmd.py", line 860, in refresh
    raise ImportError(err)
ImportError: Bad git executable.
The git executable must be specified in one of the following ways:
    - be included in your $PATH
    - be set via $GIT_PYTHON_GIT_EXECUTABLE
    - explicitly set via git.refresh(<full-path-to-git-executable>)

All git commands will error until this is rectified.

CPU强行练丹，速度也挺快的。

模型测试

看看练了3个回合的丹效果怎么样

python detect.py --weights runs\train\exp\weights\best.pt --source C:\Users\xxx\Desktop\chayou\source

结果拉了，完全不能用

一气之下训练200个回合，用时1h

python train.py --img 640 --batch 16 --epochs 200 --data chayou76.yaml --weights yolov5s.pt

可以看到200个回合的模型的预测结果已经有了置信度；之前训练3个回合的模型，val_batch0_pred一个框都没

对整个目录的图片进行目标检测

python detect.py --weights runs\train\exp2\weights\best.pt --source C:\Users\xxx\Desktop\chayou\source

虽然这个目录的图片在训练集中已经出现过，但对比3个回合的训练，模型性能已经有大幅度的提升了

茶油果数据集分享到云盘中
链接: https://pan.baidu.com/s/1AY4Wm9uZ4iQPMncVRmmYtQ?pwd=6666 提取码: 6666

参考原文：Train YOLOv5 on Custom Data - Ultralytics YOLO Docs