Pycharm配置环境&本地训练yolov5（车辆检测）

整体过程较为顺利，yolov5使用起来非常友好。

yolov5开源网址：

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

一、数据集准备

更新后的数据集：🍞正在为您运送作品详情

上面这个链接里的数据集源于KITTI，数据已处理，可以直接使用，已经改成darknet需要的数据格式，可直接用于yolov5。

共5个G，6600左右张图片，只保留了car类型。

里面

每个文件夹中对应图片和标签

txt内部格式：

原文：

我的数据集：

，

valid中也是，需要注意的labels必须是txt文件

labelme生成的可能是json或xml，用python脚本提取信息并转换。

二、项目配置

1、安装pytorch和cuda，并创建新项目

可参考这个视频：

Windows安装Anaconda，创建pytorch环境，pycharm配置环境_无名大学生的博客-CSDN博客

建议环境配置后，把这个yolov5文件夹放进去，这样之后所有需要这个环境的就直接在这个项目中创建或运行即可。

2、安装所需要的库

yolov5-master中有个requirements.txt

在终端中输入：

pip install -r requirements.txt

pycharm会自动帮你安装所需要的库，非常方便

3、运行detect.py验证

运行成功会生成 runs 文件夹

可以看到结果：

4、修改yolov5命令行参数

根据我们训练的要求，修改命令行参数，在 train.py

只需要修改三个地方：

第一个参数yolov5s是在models里s、m、l几种不同大小的网络模型，s是最基础的也是跑起来最快的，选择一种。

同时在对应的yaml中修改分类数

第二个参数mydata.yaml，这是需要自己新建的

前两行是路径，后为分类数，和各自标签。

我的数据集是放在：

三、开始训练

运行train.py，开始训练

四、训练结果

训练后会生成runs，里面的train文件夹中是训练结果，有这么多东西

weights中best.pt是最好的结果的权重，用它来做测试

修改detect.py中的命令行参数

把需要测试的图片放在data/images中，生成的结果还是在runs/detect/中

注意的是，yolov5给了丰富的接口

直接放mp4也可以，他会自己截成一帧帧再检测，最后再换你一个mp4

over