计划在windows本地电脑搭建一个基于yolov7的目标识别环境，可以进行实验和测试，并进行模型训练和调试。包括conda，yolov7和labelImg环境的从0开始搭建和配置。

1 虚拟python环境conda

本地电脑安装python后，在多个项目切换，总是免不了不同的python版本和依赖库管理，一旦发生冲突后，各个项目都会出现依赖库错误和混乱，所以用python虚拟环境管理是必不可少的。我比较喜欢界面化的管理工具，Anaconda就是很好的选择。

Anaconda 是一个用于科学计算和数据科学的开源软件包管理和环境管理系统。它包含了许多流行的数据科学工具和库，如 Python、R 语言等，并提供了一个方便的方法来安装、管理和更新这些工具和库，支持包括windows在内的多个平台安装使用。

Anaconda下载地址根据自己的平台下载安装程序后，按照安装向导完成安装。完成安装后需要注意配置环境变量，比如安装到:C:/Anaconda下面，那么需要添加如下几个路径到path环境变量中：

都完成后，会在系统应用列表中增加一个Anoconda3程序项，找到Anaconda Navigator可以启动程序。

启动后可以在Enviroments下建立各个项目自己的虚拟环境，可以指定每个虚拟环境的python版本，并在界面上激活虚拟环境。

打开终端可以进行命令行操作。

2 yolov7环境配置

先下载yolov7仓库：

bash 复制代码

git clone https://github.com/WongKinYiu/yolov7

下载成功后，通过anaconda启动终端，进入下载的yolov7目录，安装环境依赖

安装完成后，进行测试验证：

bash 复制代码

//建立一个weights目录存放模型
mkdir weights
//运行测试命令（缺少的模型会自动下载）
python detect.py --weights weights/yolov7.pt --source inference/images

直到看到如下的结果就表示测试验证完成，环境正确。

此时可以到yolov7\runs\detect\exp\目录下去看到图片的识别结果，结果标注在图片中。

到此位置，表示yolov7的本地python环境可以正常工作，下面要进一步训练自己的模型，则需要标注数据集，然后进行模型训练。标注工具，我们采用labelImg。

首先下载labelImg仓库，

bash 复制代码

git clone https://github.com/tzutalin/labelImg.git

然后为labelImg在Anaconda中建立一个独立的虚拟环境label_img，并启动虚拟环境的运行终端terminal，在虚拟环境中安装qt5：

继续安装xml和anaconda依赖：

bash 复制代码

pyrcc5 -o libs/resources.py resources.qrc

最后，可以启动labelImg:

python labelImg.py

labelImg启动后如下：

现在就可以开始对自己的图像数据集进行导入和标记，将是一个大工程。标记完成后，再导入到yolo环境中进行训练。