一· 概述

本文档主要记录使用工程源代码，部署YOLOv5训练环境以及测试环境的过程，主要包括以下内容：

1. YOLOv5对应版本的源码下载
2. Pytorch的适配版本安装与测试
3. YOLOv5源码的依赖安装与测试
4. 其他依赖的版本调整与测试
5. 字体文件、预训练模型的下载
6. 训练流程的测试

注：如果需要快速安装推理环境(不需要训练),参考[[YOLOv5快速推理方法]]

二· 依赖环境(prerequisites)

本文档主要记录的是 YOLOv5 v6.1 版本的环境部署与测试，使用 Anaconda 或 miniconda 进行虚拟环境和包管理器，因此在执行安装之前，需要确认机器的预安装环境。

2.1 硬件环境

• GPU : NVIDIA GeForce GTX2060
• RAM : 16GB
• CPU : Intel(R) Core(TM) i7-10750H CPU @ 2.60GHz
• ROM : 512GB SSD

注: 一般情况下，训练都会在GPU上进行，因此GPU的性能对训练速度有较大的影响。确保本地已安装NVIDIA独立显卡，否则训练耗时会非常长。

2.2 软件环境

• 操作系统 : Windows 10
• Anaconda3 或 miniconda3
• Python : 3.8+
• NVIDIA驱动 : latest
• CUDA : 11.2
• cuDNN : 8.2.1

三· 环境安装

注: 确保上述软硬件环境已经安装完毕，不在赘述。

3.1 创建并激活虚拟环境

# 创建虚拟环境
conda create -n yolo python=3.8 -y# 激活虚拟环境
conda activate yolo

3.2 安装Pytorch与torchvision

访问Pytorch官方网站，查询符合本地硬件配置与软件环境安装指令，这里选择 适配 CUDA 11.3的Pytorch v1.12.1,安装指令如下:

# CUDA 11.3
conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cudatoolkit=11.3 -c pytorch -c conda-forge -y
# CUDA 11.1
pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

注: 考虑到版本兼容性问题，本文档中选择适配CUDA 11.3的Pytorch v1.8.1版本. 没有选择最新版。

注: Pytorch官方安装文档中，v1.8+ 只提供了适配 11.8、11.7、11.6、11.3 和 10.2 的 CUDA 版本, 通过查询部分资料得知，CUDA v11版本中，部分小版本向前兼容，表现形式为版本号标为CUDA v11.x，经过测试，Pytorch v1.8.1 适配 CUDA 11.3 版本可以正常使用。

3.3 校验Pytorch安装

python -c "import torch; print(torch.__version__)"

环境安装正确，则输出 1.8.1+cu111

python -c "import torch; print(torch.cuda.is_available())"

Pytorch 安装完成，且能够加载 GPU 和 CUDA ，则输出True, 否则输出 False

注：如果校验失败，则重新按照 [[#3.2 安装Pytorch与torchvision]] 中的内容，更换一种方式重新安装，例如,将 conda 安装方式更换为 pip 安装方式。

3.4 下载 YOLOv5 v6.1 源码

可直接通过 git 命令，下载指定 v6.1版本的 YOLOv5 源码，如下所示：

git clone -b v6.1  https://github.com/ultralytics/yolov5.git

源代码下载完成后，会回滚到 v6.1 版本的代码。如下图所示：

或通过官方网站下载源码压缩包，解压到本地。地址：YOLOv5

对比上述图片，可以看到，对应提交的记录号码是一致的。

3.5 安装 YOLOv5 依赖

进入 YOLOv5 源码目录，执行以下命令，安装依赖：

cd yolov5# 安装依赖
pip install -r requirements.txt

等待安装完成，如下图所示：

3.6 下载预训练模型

通过访问github地址，定位到对应的 v6.1 标签的release版本，下载预训练模型，文件链接地址 , 如下图所示：

注 ：一定要下载与源代码版本号对应的预训练模型，避免因模型结构不一致导致加载时报错。

3.7 安装其他依赖

为避免报错 ImportError: DLL load failed while importing _imaging: 找不到指定的模块。 ，需要重新安装 Pillow 依赖，如下所示：

pip install Pillow==9.5.0

为避免后续训练过程中，因为 numpy 版本不兼容导致 API 调用报错，需要重新安装 numpy 1.20.3 依赖，如下所示：

 pip install numpy==1.20.3 --force-reinstall

3.8 测试环境安装

通过运行 detect.py 脚本，对项目自带的测试图片(位于 data/images 路径)，测试环境安装是否正确，如下所示：

python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images/bus.jpg

运行成功后，会输出检测结果，如下图所示：

打开位于 runs/detect/exp2 路径保存的图片，可以看到检测结果，如下图所示：

3.9 测试训练流程

通过运行 train.py 脚本，对项目自带的测试数据集(位于 data/coco128 路径)，测试训练流程是否正确，如下所示：

python train.py --img 640 --batch 16 --epochs 3 --data coco128.yaml --weights yolov5s.pt

运行指令后，会自动下载 COCO128 数据集，然后开始训练，如下图所示：

如果因网速问题，下载失败，可以手动下载数据集，然后解压到与 yolov5 的统计文件夹 datasets 目录下即可，如下所示：

datasets
|--coco128
|  |--images
|  |--labels
yolov5
|--data
.
.
.

训练正式启动后，每个 epoch 会有进度条显示当前的训练进度，如下图所示:

至此，YOLOv5 v6.1 版本的源代码方式安装的训练环境已完成.

四· 参考链接

• [YOLOv5 GitHub](https://
• Pytorch 安装指南
• ultralytics docs