YOLOv5-PyTorch 入门教程

1. 项目介绍

YOLOv5-PyTorch 是一个基于PyTorch实现的YOLOv5（You Only Look Once）框架的复刻版。YOLOv5是一种流行的实时对象检测算法，以其高效性和准确性著称。该项目由bubbliiiing 开发，旨在提供一个便捷的平台，让用户能够训练自己的模型以及在各种场景中应用YOLOv5。

2. 项目快速启动

环境准备

确保你的系统已安装了Python 3.8+ 和 PyTorch 1.7+。如果没有，可以访问PyTorch官网 安装相应的版本。

安装依赖

克隆仓库到本地并安装必要的依赖库：

git clone https://github.com/bubbliiiing/yolov5-pytorch.git
cd yolov5-pytorch
pip install -r requirements.txt

训练模型

要使用预定义的数据集进行训练，运行以下命令：

python train.py --data coco.yaml --weights yolov5s.pt

检测图像

对于单张图像的检测，执行：

python detect.py --weights runs/train/exp/weights/best.pt --img 800 --conf 0.5 --source images.jpg

实时视频检测

要在视频流上运行检测，尝试：

python detect.py --weights runs/train/exp/weights/best.pt --source 0 --img 800 --conf 0.5

这里的--source 0表示使用默认摄像头（编号0），你可以更换为实际的视频文件路径。

3. 应用案例和最佳实践

• 自定义数据集训练：将YOLOv5应用于新场景时，你需要准备标注好的自定义数据集。可以参考coco.yaml配置文件格式来创建自己的yaml描述文件。
• 超参数调整：根据需求优化模型性能，可以通过修改train.py或配置文件中的超参数（如学习率、批大小等）来实现。
• 多GPU训练：通过设置--device参数，可以利用多个GPU进行分布式训练，提高训练速度。

4. 典型生态项目

• Tensorrt：若需优化部署效率，可考虑将训练后的模型转换为Tensorrt格式以加速推理。
• ONNX：支持ONNX导出，方便模型在不同框架间移植和协同工作。
• labelme：用于图片标注工具，便于构建自定义数据集。

以上是YOLOv5-PyTorch的基本使用教程。如果你想更深入地了解或者参与贡献，可以查看项目GitHub仓库中的更多资源和文档。祝你好运，愉快地探索YOLOv5的世界！