Windows上的YOLOv5对象检测（分步教程）
本教程将指导你在具有PyTorch GPU支持的Windows系统上完成YOLOv5的安装和运行。其中将包含易于掌握的视频和Google Colab。
Created on April 16|Last edited on May 6
Comment
简而言之，如果你想学习如何在自己的Windows机器上安装和运行YOLO并进行对象检测的话，那就继续阅读；如果你是想直接上手看看它能做什么，可前往Colab章节。
章节
章节YOLO是什么？完成设置安装YOLOv5安装Python控制台访问的是哪个版本的Python？安装CUDA安装PyTorch以Python模块的方式安装PyTorch在你的网络摄像头中使用YOLOv5创建边界框在图像中使用YOLOv5创建边界框在YouTube视频中使用YOLOv5创建边界框YOLOv5模型、大小以及性能YOLOv5对象检测的视频讲解正确优化你的YOLOv5实验使用边界框调试器在训练期间对验证数据模型预测进行可视化记录训练和验证指标并轻松与实验追踪数据进行比较使用W&B表格直观查看模型预测和数据集YOLOv5 Colab总结一下收集和标记图像以在PyTorch中训练YOLOv5目标检测模型推荐阅读
如果你是碰巧了解到YOLO，或者只是认为这样的边界框看起来很有趣的人（我就是这样走上这条路的），那么就先让我们来快速看看这是怎么回事。
YOLO是什么？
YOLO的含义是“你只看一次”（You Only Look Once）。这也是使用单一卷积网络进行快速目标检测的框架名称。YOLO 的运行速度通常会比其他物体检测系统更快，因为其会即时地从整体视角查看图像，而不是逐个像素地进行扫描。
为了实现这一点，YOLO会将图像分解为网格，然后对网格化后每个部分进行分类和本地化（即：建立对象和结构）。然后其会预测应该在哪里放置边界框。在预测边界框时，YOLO采用了基于回归的算法，而不是基于分类的算法。
通常而言，基于分类的算法分两步完成：1. 选择感兴趣区域（ Region Of Interest，ROI）；2. 在选定的区域中应用卷积神经网络（convolutional neural network，CNN）以检测对象。
YOLO的回归算法将一次性预测整个图像的边界框，这使得其速度得到显著提升，并为系统的名称提供了一个十分机智的选项。
了解了这些之后，我们具体来看看。
完成设置
你需要安装：
- Yolov5 Repository
- Python 3.8（或更高版本）
- PyTorch
- CUDA
不用担心：我们接下来会对这些逐一进行说明。
安装YOLOv5
如需获取文件：
在文件下载后，只需将其提取至所需的位置并继续。我们稍后再回来接着介绍YOLO。
安装Python
如果你之前安装过其他版本，那就不要勾选“将 Python x.x 添加至 PATH 中”，我们会稍后对其进行手动指定：
快速地检查一下文件夹，我们会发现机器上安装了旧版本的 Python：
虽然 3.8版本也好用，但在这里我们还是选择使用 3.9，这样我们也可以介绍从3.8之前版本进行升级所需遵循的过程。
由于我们将使用Windows控制台，我们首先来检查一下版本情况：
控制台访问的是哪个版本的Python？
执行此操作的最简单方法是转到Windows资源管理器中的 Python目录，并在地址栏中键入“cmd”
点击回车，然后输入：
python
此时你将能够看到使用中的版本号：
如果你运行的是旧版本 Python，那么现在就需要前往设置编辑环境变量：
同时修改Path变量，指向最新版本的Python：
现在你应像我们之前做的那样在控制台中仔细检查设置，然后继续：
安装CUDA
现在是安装CUDA的时候了。
CUDA是NVDIA为其GPU提供的并行计算平台。简而言之，这是让机器能够并行计算多个部分的工具（这也是YOLO速度极快的重要原因）。我可以很确定地说，如果没有这一功能，实时边界框将无��谈起。
下载完成后打开文件并进行安装：
你可能需要重启。重启之后我们来安装PyTorch。
安装PyTorch
PyTorch是目前最为流行的定义模型、运行参数（我们要涉及的内容）以及执行训练的机器学习框架。
当我写“最流行”几个字时，我是说真的：
与大多数机器学习框架一样，PyTorch会在 GPU 上运行计算和参数，这比在CPU上运行要快得多。但是你必须确保设置正确，所以现在我们来操作一下。
以Python模块的方式安装PyTorch
例如，我的选项为：
现在我们要复制给出的代码：
然后在Windows资源管理器中打开Python/Scripts文件夹：
接下来在地址栏中输入“cmd”：
回车后将在该文件夹中打开控制台，此时即可粘贴从PyTorch 复制的代码。
我的代码（例）如下：
pip3 install torch==1.9.1+cu111 torchvision==0.10.1+cu111 torchaudio===0.9.1 -f https://download.pytorch.org/whl/torch_stable.html
控制台中出现了一些“已安装”通知，还有一些报错。但如果你是首次安装的话就不会出现这些问题。我们可以忽略这些。
如需安装这些模块，只需打开包含已解压文件的 YOLOv5 文件夹，然后再次在地址栏中输入“cmd”并点击回车。
在控制台中我们将运行以下代码以安装必要模块：
pip install -r requirements.txt
安装Visual Studio后，我们要再次在YOLO 文件夹的控制台中使用以下代码安装PyCOCOTools。
现在我们使用以下代码运行上述要求：
pip install -r requirements.txt
又完成了一项。
在你的网络摄像头中使用YOLOv5创建边界框
你等待的时刻终于到了。现在我们让这些正常运转并在你的网络摄像头中创建一些边界框吧。
在YOLOv5文件夹的控制台中输入以下代码：
python detect.py --source 0
如果你有多个网络摄像头，或是有应用程序对摄像头进行嗅探，那么可能需要对此数字进行修改。如果你只有一个摄像头，那么source值就会是 0，和例子中一样。
一小会儿后：
如果你想将其停止，只需在打开的窗口中点击一下即可。
在图像中使用YOLOv5创建边界框
如果你需要检测预先已存在于图像中的对象，只需将图像放在 OLO目录中的文件夹中即可。
我在YOLO文件夹中创建了一个名为“images”的目录。出于 SEO方面的考虑，我在此处的示例中采用了从谷歌媒体工具包中提取的一张照片：
谷歌咖啡馆
再次打开YOLO控制台，我们输入：
python detect.py --source images/google.jpg
这里需要将google.jpg替换为你自己的图像名称。
运行后你将看到：
前往其存储位置后...
在YouTube视频中使用YOLOv5创建边界框
假设你想在YouTube视频中创建边界框，或只是想检测一下视频中的对象，
那么我们就需要在YOLO目录中进一步安装几个模块。
首先运行：
pip install pafy
然后：
pip install youtube_dl
在安装了这些模块后，我们现在可以再次打开控制台到YOLO文件夹并输入：
python detect.py --source https://youtu.be/jNQXAC9IVRw
你也要将YouTube 网址替换为你自己的网址。为了举例，我选择了有史以来发布的首个 YouTube视频。它变成了：
YOLOv5模型、大小以及性能
默认情况下，YOLO会选择使用最小模型，因为这样在处理时所需要的资源会更少。上述的例子中也采用了这样的方式。
更大的模型通常会需要更强大的处理能力，但其准确度也会更高。你只需要自行定义即可。
在上述使用网络摄像头的对象检测示例中，默认代码为：
python detect.py --source 0
我们可以使用其他三种模型尺寸中的任何一种，只需将尺寸添加到代码末尾即可：
小型（默认）
python detect.py --source 0
中型
python detect.py --source 0 --weights yolov5m.pt
大型
python detect.py --source 0 --weights yolov5l.pt
最大
python detect.py --source 0 --weights yolov5x.pt
永远是功耗和性能方面的取舍。
YOLOv5对象检测的视频讲解
如果你是一名Weights & Biases YouTube频道订阅者的话，则可能已经看过以上详细的分步骤讲解。如果你还没有订阅该频道，那么我还是建议你现在就订阅一下，其中有很多优质的教程和活动等等。
正确优化你的YOLOv5实验
无论你是ML、CV新手还是只是想使用YOLOv5进行目标检测，建立良好的习惯并使用正确的工具都是非常有必要的。
所以请点击此处，只需5分钟即可了解如何通过Weights & Biases追踪自己的实验情况。
举几个你可以做的简单的例子：
使用边界框调试器在训练期间对验证数据模型预测进行可视化
记录训练和验证指标并轻松与实验追踪数据进行比较
使用W&B表格直观查看模型预测和数据集
YOLOv5 Colab
或许你并不想安装这款软件，但又想直接上手试试。
无论如何Colab都是你的绝佳选择。
值得注意的是，Colab不适合用于实时对象检测，所以你将无法在网络摄像头等设备上设置。
不过这依然是上手尝试的好办法 :)
总结一下
如果你刚刚才开始自己的机器学习之路，那么YOLO将是非常值得一试的出发点。
如果你在这方面有些经验，但想要扩充计算机视觉方面的技能，那么希望你发现这是一个快速的起点。
收集和标记图像以在PyTorch中训练YOLOv5目标检测模型
做好准备迎接下一阶段了吗？
在第二部分中，我们介绍了如何收集和标记图像以在PyTorch中对YOLOv5对象检测模型进行训练。
推荐阅读
Add a comment
Iterate on AI agents and models faster. Try Weights & Biases today.