一· 概述

本文檔主要記錄使用工程源代碼，部署YOLOv5訓練環境以及測試環境的過程，主要包括以下內容：

1. YOLOv5對應版本的源碼下載
2. Pytorch的適配版本安裝與測試
3. YOLOv5源碼的依賴安裝與測試
4. 其他依賴的版本調整與測試
5. 字體文件、預訓練模型的下載
6. 訓練流程的測試

注：如果需要快速安裝推理環境(不需要訓練),參考[[YOLOv5快速推理方法]]

二· 依賴環境(prerequisites)

本文檔主要記錄的是 YOLOv5 v6.1 版本的環境部署與測試，使用 Anaconda 或 miniconda 進行虛擬環境和包管理器，因此在執行安裝之前，需要確認機器的預安裝環境。

2.1 硬件環境

• GPU : NVIDIA GeForce GTX2060
• RAM : 16GB
• CPU : Intel(R) Core(TM) i7-10750H CPU @ 2.60GHz
• ROM : 512GB SSD

注: 一般情況下，訓練都會在GPU上進行，因此GPU的性能對訓練速度有較大的影響。確保本地已安裝NVIDIA獨立顯卡，否則訓練耗時會非常長。

2.2 軟件環境

• 操作系統 : Windows 10
• Anaconda3 或 miniconda3
• Python : 3.8+
• NVIDIA驅動 : latest
• CUDA : 11.2
• cuDNN : 8.2.1

三· 環境安裝

注: 確保上述軟硬件環境已經安裝完畢，不在贅述。

3.1 創建并激活虛擬環境

# 創建虛擬環境
conda create -n yolo python=3.8 -y# 激活虛擬環境
conda activate yolo

3.2 安裝Pytorch與torchvision

訪問Pytorch官方網站，查詢符合本地硬件配置與軟件環境安裝指令，這里選擇 適配 CUDA 11.3的Pytorch v1.12.1,安裝指令如下:

# CUDA 11.3
conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cudatoolkit=11.3 -c pytorch -c conda-forge -y
# CUDA 11.1
pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

注: 考慮到版本兼容性問題，本文檔中選擇適配CUDA 11.3的Pytorch v1.8.1版本. 沒有選擇最新版。

注: Pytorch官方安裝文檔中，v1.8+ 只提供了適配 11.8、11.7、11.6、11.3 和 10.2 的 CUDA 版本, 通過查詢部分資料得知，CUDA v11版本中，部分小版本向前兼容，表現形式為版本號標為CUDA v11.x，經過測試，Pytorch v1.8.1 適配 CUDA 11.3 版本可以正常使用。

3.3 校驗Pytorch安裝

python -c "import torch; print(torch.__version__)"

環境安裝正確，則輸出 1.8.1+cu111

python -c "import torch; print(torch.cuda.is_available())"

Pytorch 安裝完成，且能夠加載 GPU 和 CUDA ，則輸出True, 否則輸出 False

注：如果校驗失敗，則重新按照 [[#3.2 安裝Pytorch與torchvision]] 中的內容，更換一種方式重新安裝，例如,將 conda 安裝方式更換為 pip 安裝方式。

3.4 下載 YOLOv5 v6.1 源碼

可直接通過 git 命令，下載指定 v6.1版本的 YOLOv5 源碼，如下所示：

git clone -b v6.1  https://github.com/ultralytics/yolov5.git

源代碼下載完成后，會回滾到 v6.1 版本的代碼。如下圖所示：

或通過官方網站下載源碼壓縮包，解壓到本地。地址：YOLOv5

對比上述圖片，可以看到，對應提交的記錄號碼是一致的。

3.5 安裝 YOLOv5 依賴

進入 YOLOv5 源碼目錄，執行以下命令，安裝依賴：

cd yolov5# 安裝依賴
pip install -r requirements.txt

等待安裝完成，如下圖所示：

3.6 下載預訓練模型

通過訪問github地址，定位到對應的 v6.1 標簽的release版本，下載預訓練模型，文件鏈接地址 , 如下圖所示：

注 ：一定要下載與源代碼版本號對應的預訓練模型，避免因模型結構不一致導致加載時報錯。

3.7 安裝其他依賴

為避免報錯 ImportError: DLL load failed while importing _imaging: 找不到指定的模塊。 ，需要重新安裝 Pillow 依賴，如下所示：

pip install Pillow==9.5.0

為避免后續訓練過程中，因為 numpy 版本不兼容導致 API 調用報錯，需要重新安裝 numpy 1.20.3 依賴，如下所示：

 pip install numpy==1.20.3 --force-reinstall

3.8 測試環境安裝

通過運行 detect.py 腳本，對項目自帶的測試圖片(位于 data/images 路徑)，測試環境安裝是否正確，如下所示：

python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images/bus.jpg

運行成功后，會輸出檢測結果，如下圖所示：

打開位于 runs/detect/exp2 路徑保存的圖片，可以看到檢測結果，如下圖所示：

3.9 測試訓練流程

通過運行 train.py 腳本，對項目自帶的測試數據集(位于 data/coco128 路徑)，測試訓練流程是否正確，如下所示：

python train.py --img 640 --batch 16 --epochs 3 --data coco128.yaml --weights yolov5s.pt

運行指令后，會自動下載 COCO128 數據集，然后開始訓練，如下圖所示：

如果因網速問題，下載失敗，可以手動下載數據集，然后解壓到與 yolov5 的統計文件夾 datasets 目錄下即可，如下所示：

datasets
|--coco128
|  |--images
|  |--labels
yolov5
|--data
.
.
.

訓練正式啟動后，每個 epoch 會有進度條顯示當前的訓練進度，如下圖所示:

至此，YOLOv5 v6.1 版本的源代碼方式安裝的訓練環境已完成.

四· 參考鏈接

• [YOLOv5 GitHub](https://
• Pytorch 安裝指南
• ultralytics docs