Yolov5进阶之三训练环境

在训练自己的样本之前，先要调试好yolov5的训练环境，之前我们适用pycharm进行了调试，实际上所提供的yolov5完全可以在命令控制台完成各种功能。 第一步，清理所有文件夹，只留下…_env环境文件夹。也就是安安装了pytorch的环境。在环境平行目录解压yolov5-master压缩包，为什么平行目录解压呢，因为默认的dataset是在yolov5的平行目录下。 有以上两个文件夹就可以了 在命令控制台注意环境和当前目录。

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

执行以上命令 识别 齐达内图片。这时会自动下载 yolov5s.pt, 如果你想用5m 5l 只需更改相应命令，入宫通过摄像头，执行

python detect.py --source 0

但注意，现在这个摄像头无法关闭，需要在detect.py中添加指令，可参考进阶一。 下载完成后，识别的结果在ex?目录见下图 下面测试训练环境，如果按进阶之一安装的pytorch 版本为最新版本11，但是很遗憾这个版本和yolov5 6.0 并不是兼容性很好，建议降到低版本 pytorch 执行以下命令

pip install --upgrade --force-reinstall torch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0

降级完成后，执行

python train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights yolov5s.pt

会自动下载coco128，路径和yolomaster平行，这个过程仍然会用到yolov5s权重模型，训练后会生成新的 last 和best pt权重模型。 在训练过程中可以看到 gpu使用情况，现在我们还没有测试gpu版本，使用cpu时gpu_mem显示0 训练结束后，会在runs/目录下建立一个train的文件夹保存权重文件。可以使用新权重文件进行图片检测

python detect.py --weights runs/train/exp/weights/best.pt --source data/images/zidane.jpg```