一、本地环境配置
（1）本地创建虚拟环境
（2）下载项目到本地
（3）安装依赖
（4）测试一下
二、电脑没有GPU训练不了怎么办？【不用本地环境】
（1）创建服务器实例
（2）上传项目
（3）创建环境
（4）测试一下
三、分类任务
（1）模型训练
（2）模型预测
（3）使用自己创建的数据集做训练
创建数据集
模型训练
模型预测
四、目标检测任务
(1)如何使用/预测？
(2)如何创建用于检测任务的数据集？
(3)模型训练
(4)使用模型进行检测
五、实例分割任务
（1）创建数据集
（2）模型训练(这里先使用项目自带的coco128数据集)
（3）模型预测
六、总结
一、本地环境配置
（1）本地创建虚拟环境
参考教程：https://blog.csdn.net/qq_73704268/article/details/145854625
创建一个虚拟环境用于本yolov5的项目，这里我已经创建好啦
（2）下载项目到本地
项目地址：
code: GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite
使用git命令或者直接下载压缩包将项目clone到本地
（3）安装依赖
在pycharm中打开项目，选择yolov5的环境，打开pycharm终端，输入命令 pip install -r requirements.txt
Python项目依赖管理：requirements.txt与environment.yml_environment.yml和requirements.txt-CSDN博客
这样就不用一个个安装库了！！
这里需要注意 torch
因为是pytorch框架，这里要求torch版本大于1.8.0，要不然不好用；
如果电脑带有GPU，会自动下载带有CUDA的torch，没有GPU会下载CPU版本的torch;
在使用模型进行检测的时候是没有任何区别的，但是CPU版本的torch是训练不了模型的（太慢了！！！！）
（4）测试一下
以检测任务为例子，找到detect.py
运行这个代码，用已经训练好的模型对data/images下的图片进行检测，可以直接在pycharm运行，运行之后检测结果存储在了
点进去看一下：
二、电脑没有GPU训练不了怎么办？【不用本地环境】
（1）创建服务器实例
这里给大家推荐Autodl服务器租用平台，可以先看这篇文章了解一下 ，讲的很详细AutoDL使用教程：1）创建实例 2）配置环境+上传数据 3）PyCharm2021.3专业版下载安装与远程连接完整步骤 4）实时查看tensorboard曲线情况-CSDN博客
这里是我创建的实例：
打开
打开终端
（2）上传项目
我这里已经上传好了，可以直接把clone下的项目压缩包拖到左侧目录区域，使用命令
unzip yolov5-master.zip 就可以解压项目
（3）创建环境
默认是在base环境中的，但是建议大家再创建一个虚拟环境，因为base环境有时候我们会权限不够【具体步骤和之前在本地的步骤是一样的】
激活你的环境 安装好依赖，就可以在yolov5的环境下运行项目了
（4）测试一下
学习一个终端命令： python detect.py --source 11.png 【python + 要运行的py文件 --source +输入图像路径】
运行结果：
根据输出结果知道检测的结果存在了 runs/detect/exps里面，打开
三、分类任务
（1）模型训练
建议大家租用GPU训练比较好【花了钱的东西就是好用的哈哈，我的电脑也有GPU但是训练起来还是不如租来的快】
输入命令：python classify/train.py --model yolov5-cls.pt --data cifar10 --epochs 5
输出结果如下：
可以看到5个epoch分别的输出结果，第二列是训练需要的GPU大小【这里只用了1.7G的】，第三列是在训练集上的损失【逐渐减小】，第四列是在测试集上的损失【逐渐减小】，第五列是精度大小【逐渐上升】
这里显示了模型训练的结果 保存到了那个文件夹下：
这里显示了模型训练的参数保存到了哪个文件目录下：
best.pt:表示训练的5轮中效果最好的那一轮的参数
last.pt:表示训练5轮中的最后一轮的参数是什么
【注意：best.pt不一定等于last.pt,因为模型可能过拟合现象，但是我们训练的这次是相等的，因为明显5轮训练不够，所有一般我们都直接使用best.pt里面的参数】
（2）模型预测
使用我们刚刚训练好的模型进行对一张图片的预测，
直接使用命令： python classify/predict.py --source 22.jpg 用的是yolo自己训练好的模型参数，而不是我们自己训练的参数。
所以我们应该指定模型参数用的是哪个，找到刚刚运行结果输出的模型参数保存路径：python classify/predict.py --weights runs/train-cls/exp8/weights/best.pt --source 22.jpg
结果：
为什么没有person?y因为训练的轮数太少了，并且我们的5轮中不一定有人的图像标签，模型还不知道人长什么样子
（3）使用自己创建的数据集做训练
创建数据集
首先你要了解yolov5自己训练使用的数据集目录结构长什么样子，以cifar10为例
具体图像的命名规则：
了解这些，我们来创建一个自己的数据集，以猫狗分类为例子；
①在datasets文件夹下创建一个文件夹，命名为jundogcat：
②在jundogcat文件夹下创建一个train文件夹和一个test文件夹
③在test文件夹下建立两个文件夹： cat和dog【图像标签名称】
④按照命名规则放入具体的图像：
trian和test的一样，通常train里面的图像要比test的要多
这样我们就创建了一个自己的数据集，用于猫狗分类！！！将数据集压缩上传到服务器上解压就可以使用啦
模型训练
接下来使用我们自己创建的数据集对模型进行训练
输入命令python classify/train.py --model yolov5-cls.pt --data ../datasets/jundogcat --epochs 5
【这里data的目录前面有两个. 是因为datasets这个文件夹和yolov5-master项目是平级的，所以我们要先退出yolov5-master才可以进入datasets】
记住模型权重路径
模型预测
接下来使用我们刚刚训练好的模型进行预测，使用这个图片
输入命令： python classify/predict.py --weights runs/train-cls/exp9/weights/best.pt --source data/images/dogclass.jpg
打开这个路径可以查看预测结果：
0.88 dog 0.12 cat，模型成功预测！！
四、目标检测任务
(1)如何使用/预测？
运行命令 ：python detect.py --source data/images/bus.jpg
在runs/detect/exp4 查看检测结果：
可以看到红线框出了bus这辆车
代码如何预测边界框的呢？
(x1, y1): 左上角坐标(x2, y2): 右下角坐标
(2)如何创建用于检测任务的数据集？
yolo目标检测数据集标注-CSDN博客
安装上面的博客教程来就好，将创建的数据集改个名字（jundogcatyolo）拷贝到服务器：
记得把这个data.yaml文件拷贝到 yolo-master项目文件的data 目录下：
仿照这里其他原有的任意一个数据集的yaml修改data.yaml
原来的data.yaml：
参考coco128.yaml:
修改后的yaml文件：
至此就可以使用数据集进行训练啦
(3)模型训练
确保路径在yolo-master下
运行命令 ： python train.py --weights yolov5s.pt --img 640 --batch 16 --data ./data/data.yaml --epoch 5
--weights yolov5s.pt：使用预训练的 YOLOv5 小型模型（yolov5s.pt）作为权重进行训练。--img 640：将输入图像的尺寸设置为 640x640。【因为我们数据集都是640*640的】--batch 16：设置每个批次的图像数量为 16。--data ./data/data.yaml：指定数据集的.yaml配置文件，data.yaml文件中应该定义数据集的路径以及类别。--epoch 5：训练 5 个周期（epoch）。
P为精度值，R为召回率，可以看到对cat的切分比较好（P=0.813）
打开 runs/train/exp3看看
模型参数也保存在了 runs/train/exp3
(4)使用模型进行检测
刚刚训练的模型参数保存在了 runs/train/exp3
对这张图片进行检测
所以运行命令：
python detect.py --source ./data/images/catdog-d.jpg --weights runs/train/exp3/weights/best.pt
进入runs/detect/exp5查看检测结果
！！！可以看到检测结果并不是很好，很正常，毕竟我们的数据集大小了，并且只训练了5个epoch
五、实例分割任务
（1）创建数据集
使用自己的数据集的时候也需要对图像进行标注，这里 看博客
yolo目标检测、实例分割数据集标注-CSDN博客
（2）模型训练(这里先使用项目自带的coco128数据集)
输入命令：
python segment/train.py --weights yolov5s-seg.pt --data coco128-seg.yaml --epochs 5
第二列可以看到class为128【因为coco128有128个类别】 ，模型参数保存到了runs/train-seg/exp5中
（3）模型预测
输入命令： python segment/predict.py --img 320 --weights runs/train-seg/exp5/weights/best.pt --source data/images/catdog-d.jpg
分割没有问题，但是把猫也识别成狗了........
六、总结
至此，通过这个项目，关于计算机视觉的分类、目标检测、实例分割三大任务的数据的创建与标注、模型的训练、使用模型进行预测已经掌握啦，还有如何在AutoDL上使用服务器，运行代码也掌握的差不多了呢！加油哦ヾ(◍°∇°◍)ﾉﾞ
