yolov5已经出了很多版本了，这里我以目前最新的版本为例，先在官网下载源码：GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite
然后下载预训练模型，需要哪个就点击哪个模型就行，在yolov5-master目录下建一个文件夹存放预训练模型
1、准备数据集
1.用labelimg标注要训练的图片，标注的格式是yolo格式，labels的后缀是txt,然后分好训练集和验证集
2.改好模型配置文件和数据加载配置文件，分别在E:\project\MODEL\YOLO\yolov5-master\modelsyolov5s.yaml和E:\project\MODEL\YOLO\yolov5-master\data\coco128.yaml
2、创建虚拟环境
conda create -n yolov5-master python=3.9
然后激活进入该虚拟环境：conda activate yolov5-master，pycharm就直接在设置里把该虚拟环境加进来就行
接着安装该项目所需的包，可看requirements.txt
pip install numpy;pip install tqdm; pip install opencv-python; pip install pandas;
然后安装torch：结合自己显卡的版本选择合适的torch版本
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
3、训练
改E:\project\MODEL\YOLO\yolov5-master\train.py路径下的箭头指出的内容，这里是用预训练模型，没用到模型配置文件，如果数据集很多，重新训练的话可以使用模型配置文件yolov5s.yaml
也可用指令训练：python train.py --weights yu/yolov5s.pt --data data/coco128.yaml --epochs 300 --batch-size 16
python train.py --weights yu/yolov5s.pt --data data/coco128.yaml --epochs 300 --batch-size 16 4、测试
改E:\project\MODEL\YOLO\yolov5-master\detect.py里面的save_txt和save_crop，然后改一些模型路径和测试的图片，显卡等就可以测试了
parser.add_argument("--save-txt", default="true", help="save results to *.txt")
parser.add_argument("--save-crop", default="true", help="save cropped prediction boxes")
这两行改好就可以在测试结果里看到txt文件保存下来和小图
也可用指令测试：python detect.py --weights runstrain/exp/best.pt --source datasets/1first_0927/val/images --data data/coco128.yaml
python detect.py --weights runs/train/exp/weights/best.pt --source datasets/1first_0927/val/images --data data/coco128.yaml 5、导出
改E:\project\MODEL\YOLO\yolov5-master\export.py路径下的箭头指出的内容，如果要导出的是tensorrt格式的就把--include default=["torchscript"],改成--include default=["engine"]
也可用指令导出：python export.py --weights runs/train/exp/weights/best.pt --data data/coco128.yaml --include engine
python export.py --weights runs/train/exp/weights/best.pt --data data/coco128.yaml --include engine --device 06、测试导出的tensorrt模型，就像测试best.pt一样
改E:\project\MODEL\YOLO\yolov5-master\detect.py路径下的箭头指出的内容
也可用指令测试：python detect.py --weights runstrain/exp/best.engine --source datasets/1first_0927/val/images --data data/coco128.yaml
python detect.py --weights runstrain/exp/best.engine --source datasets/1first_0927/val/images --data data/coco128.yaml
