下载

1.到github下载源码

Github：https://github.com/ultralytics/yolov5
然后解压下载的压缩包，解压后的默认文件夹是yolov5-master，当然也自己可以随意命名。
可以在下图，下载最新更新的项目：

也可以在下图，下载需要的项目版本（Source code的zip和tar.gz压缩格式，二选其一即可）：

2.下载权重文件

下载权重文件，其实是yolo的预训练模型。 Github：https://github.com/ultralytics/yolov5/releases
YOLOv5根据参数量分为了n、s、m、l、x五种类型，其参数量依次上升，当然了其效果也是越来越好。 x：，l：large，m：，s：small，n
在yolov5-master文件夹下新建pretrained文件夹，将权重文件放进来。

配置

1. 如果安装了Anaconda(简称：conda)，则先创建虚拟环境、激活虚拟环境，再继续下面的操作。若不使用conda，则直接进行下面的步骤。(推荐先安装conda，并创建虚拟环境)
2. 安装pytorch和torchvision。到PyTorch网站选择合适的pytorch版本，取得相应的安装命令，然后安装torch和torchvisionhttps://pytorch.org/
   服务器没有GPU，这是一个CPU版本的安装示例：

   使用conda命令:
   conda install pytorch torchvision cpuonly -c pytorch
   或者使用pip命令:
   pip install torch==1.12.0 torchvision==0.13.0 torchaudio==0.12.0

3. 在Terminal中使用命令，cd到解压得到的文件夹之内，有一个requirement.txt文件，将其中的torch和torchvision的信息注释掉(使用#号注释)
   执行命令，安装其他需要的库：

   pip isntall -r requirement.txt

4. pycocotools用于计算目标检测的精度、mAP。
   安装pycocotools:

   Linux下安装:pip install pycocotools
   Windows下安装:pip install pycocotools-windows

   PyQt5用来搭建（图形化）界面。
   安装PyQt5:

   pip install PyQt5

5. opencv（requirement.txt中有此库的话，可以跳过此步）
   安装命令:

   pip install opencv-python

6. 安装matplotlib可视化库（requirement.txt中有此库的话，可以跳过此步）
   命令：

   pip install matplotlib

初步使用

初步使用，同时测试是否配置成功。
data/images/目录下有两张图片，其中一个是bus.jpg，下面使用bus.jpg进行测试。

运行python程序detect.py

执行命令：

python detect.py --source data/images/bus.jpg --weights pretrained/yolov5s.pt

程序会创建runs文件夹，runs/detect/exp/目录下的图片bus.jpg是程序输出的结果。每运行一次detect.py，就会产生一个用来存放结果的新文件夹。

程序执行时报错

数据标注

LabelImg工具是一款图像标注工具，可方便创建自己的数据集，方便进行深度学习训练。它是用Python编写的，并将Qt用于其图形界面。

安装命令:

启动虚拟环境： conda activate 虚拟环境名称
安装：pip install labelimg

启动labelimg：命令行输入labelimg，然后回车。

也可以去Github上下载：https://github.com/HumanSignal/labelImg

模型训练

python train.py --data mask_data.yaml --cfg mask_yolov5s.yaml --weights pretrained/yolov5s.pt --epoch 100 --batch-size 4 --device cpu

模型评估

python val.py --data data/mask_data.yaml --weights runs/train/exp_yolov5s/weights/best.pt --img 640

模型使用

# 检测摄像头
python detect.py --weights runs/train/exp_yolov5s/weights/best.pt --source 0 # webcam
# 检测图片文件
python detect.py --weights runs/train/exp_yolov5s/weights/best.pt --source file.jpg # image
# 检测视频文件
python detect.py --weights runs/train/exp_yolov5s/weights/best.pt --source file.mp4 # video
# 检测一个目录下的文件
python detect.py --weights runs/train/exp_yolov5s/weights/best.pt path/ # directory
# 检测网络视频
python detect.py --weights runs/train/exp_yolov5s/weights/best.pt 'https://youtu.be/NUsoVlDFqZg' # YouTube video
# 检测流媒体
python detect.py --weights runs/train/exp_yolov5s/weights/best.pt 'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream

构建可视化界面