GitHub YOLOv5 实战入门：从零部署到首次推理运行

1. 从零开始YOLOv5环境搭建与源码获取第一次接触YOLOv5可能会觉得有点懵但别担心跟着我的步骤来保证你能顺利跑通第一个目标检测demo。我去年第一次部署YOLOv5时也踩了不少坑现在把这些经验都总结给你。YOLOv5是目前最流行的目标检测算法之一相比前代版本它的速度和精度都有显著提升。最棒的是它开源在GitHub上我们可以直接下载使用。不过要注意的是官方推荐使用Python 3.8或3.9版本太高或太低的Python版本可能会导致依赖冲突。首先打开GitHub仓库https://github.com/ultralytics/yolov5点击绿色的Code按钮选择Download ZIP把源码下载到本地。我更推荐使用git clone命令这样后续更新更方便git clone https://github.com/ultralytics/yolov5 cd yolov5下载完成后我们需要配置Python环境。强烈建议使用conda创建虚拟环境这样可以避免污染系统环境conda create -n yolov5 python3.8 conda activate yolov5接下来安装依赖库官方提供了requirements.txt文件一键安装所有依赖pip install -r requirements.txt这里有个常见坑点PyTorch的安装。如果你用的是Windows系统且没有NVIDIA显卡需要安装CPU版本的PyTorchpip install torch1.10.0cpu torchvision0.11.1cpu -f https://download.pytorch.org/whl/torch_stable.html安装完成后可以运行以下命令验证环境是否配置正确python -c import torch; print(torch.__version__)如果看到版本号输出说明环境配置成功了。整个过程大概需要10-15分钟具体取决于你的网速和电脑性能。2. 模型权重下载与首次推理环境准备好后我们需要下载预训练模型权重。YOLOv5提供了多个不同大小的模型从轻量级的yolov5s到高精度的yolov5x。作为新手建议先从yolov5s开始尝试python models/export.py --weights yolov5s.pt --img 640 --batch 1如果下载速度慢可以手动下载权重文件https://github.com/ultralytics/yolov5/releases然后放到项目根目录下。现在我们可以运行第一个目标检测demo了YOLOv5自带了一些测试图片位于data/images目录下。运行detect.py脚本python detect.py --source data/images/bus.jpg --weights yolov5s.pt第一次运行可能会有点慢因为需要加载模型。完成后检测结果会保存在runs/detect/exp目录下。打开生成的图片你应该能看到类似这样的输出image 1/1 /path/to/bus.jpg: 640x480 4 persons, 1 bus, 1 stop sign, Done. (0.189s)这说明检测到了4个人、1辆公交车和1个停车标志。如果你的输出和这个类似恭喜你已经成功运行了第一个YOLOv5目标检测模型。3. 常见问题排查与优化新手在运行YOLOv5时经常会遇到几个典型问题。我整理了自己踩过的坑和解决方案问题1CUDA out of memory这是因为显卡显存不足。可以尝试以下解决方案减小输入图像尺寸添加--img 320参数使用更小的模型比如yolov5s.pt在detect.py中减小batch size问题2No module named xxx这是缺少Python依赖包导致的。解决方法是检查是否激活了正确的conda环境重新运行pip install -r requirements.txt手动安装缺失的包pip install xxx问题3检测结果不准确可能是模型权重没有正确加载。检查权重文件路径是否正确权重文件是否完整下载yolov5s.pt约27MB是否使用了正确的模型版本为了提高检测速度可以尝试以下优化添加--half参数使用半精度推理使用TensorRT加速需要NVIDIA显卡减小输入图像尺寸但会影响精度4. 进阶使用自定义数据检测成功运行示例后你可能想检测自己的图片。这很简单只需要修改--source参数python detect.py --source /path/to/your/image.jpg --weights yolov5s.pt对于视频文件也同样适用python detect.py --source /path/to/your/video.mp4 --weights yolov5s.pt如果想实时查看检测结果可以添加--view-img参数python detect.py --source 0 --weights yolov5s.pt --view-img这会调用你的摄像头进行实时检测。按q键可以退出实时检测模式。检测结果的保存路径默认在runs/detect/exp每次运行都会新建一个文件夹。如果你想覆盖之前的检测结果可以添加--exist-ok参数python detect.py --source data/images --weights yolov5s.pt --exist-ok对于批量处理图片可以直接指定文件夹路径python detect.py --source /path/to/your/images --weights yolov5s.ptYOLOv5会自动处理文件夹下的所有图片并将检测结果保存在runs/detect/exp目录下。