10实战经验yolov5的部署(2026年01月)

第 1 步:下载 YOLOv5 源码 ZIP 包

复制代码
https://github.com/ultralytics/yolov5

解压,使用pycharm打开

2.打开终端,配置独属于yolov5的环境(可以在pycharm,也可以win+r打开cmd进行配置,都是可以的)

复制代码
conda create -n yolov5 python=3.9 -y

看到自己安装成功

接下来,激活环境

复制代码
conda activate yolov5

3.找到你下载的文件,打开文件对应目录,D:\project\yolov5\yolov5-master

复制代码
# 进入你解压的 yolov5 文件夹
cd D:\project\yolov5\yolov5-master

下面是镜像源加速的通道,等待安装完毕

复制代码
# 安装依赖(只影响当前环境!)
pip install -r requirements.txt

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

镜像源会快很多

4.编写data.yaml文件

复制代码
path: D:/data/YanJi/my_dataset  # 数据集根目录(必须存在 images/train, labels/train 等)
train: images/train            # 相对于 path 的训练集图像路径
val: images/val                # 相对于 path 的验证集图像路径

nc: 1                          # 类别数量:只有 1 类
names: ['guo']                 # 类别名称:必须与标注中的 class_id=0 对应

5.执行训练(参数根据自己的情况进行修改)

复制代码
python train.py --img 640 --batch 16 --epochs 100 --data c_my_data.yaml --weights yolov5n.pt --name guo_exp

6.打开train.py文件,(是 因为YOLOv5 在启动时尝试检查 Git 信息(用于记录版本),但我电脑没装 Git 或没加到环境变量会出现一个报错)

搜索

复制代码
GIT_INFO = check_git_info()

注释一下

复制代码
# GIT_INFO = check_git_info()

继续执行训练

出错了,是使用的cpu进行训练

复制代码
pip uninstall torch torchvision torchaudio -y

法1 正常下载

复制代码
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

法2 镜像加速下载

复制代码
pip install torch torchvision torchaudio --index-url https://mirrors.tuna.tsinghua.edu.cn/pytorch-wheels/cu118

法3

或者可以本地先下载好三个文件

相关推荐
灰灰勇闯IT9 小时前
DVPP 视频预处理:YOLO 视频检测的瓶颈与解法
yolo·音视频
前网易架构师-高司机14 小时前
带标注的螺丝、螺栓、垫圈缺陷识别数据集,包含缺陷里包含生锈和划痕,1291张图,支持yolo,coco json,voc xml,文末有模型训练代码。
yolo·数据集·缺陷·螺栓·螺丝·垫圈·
动物园猫15 小时前
桥梁损伤目标检测数据集分享(适用于YOLO系列深度学习分类检测任务)
深度学习·yolo·目标检测
cjzcjl16 小时前
Android端侧部署人脸识别工程性能优化笔记——NV21数据变速变换
yolo·yuv
张道宁19 小时前
从零开始训练YOLO手机检测模型:完整实战教程
python·yolo
星越华夏1 天前
计算机视觉:YOLOv12安装环境
人工智能·yolo·计算机视觉
羊羊小栈1 天前
AI赋能电力巡检:智能故障预警系统
人工智能·yolo·目标检测·毕业设计·大作业
动物园猫1 天前
面向智慧牧场的牛行为识别数据集分享(适用于YOLO系列深度学习分类检测任务)
深度学习·yolo·分类
埃菲尔铁塔_CV算法1 天前
YOLO11 与传统纹理特征融合目标检测 完整实现教程
人工智能·神经网络·yolo·计算机视觉
小白|2 天前
hccl:昇腾集合通信库架构深度实践
人工智能·yolo·目标检测