YOLOv5如何在Windows系统上配置训练环境？保姆级教程

在Windows系统上配置YOLOv5的训练环境，需要完成一系列步骤以确保模型能够正确运行和训练。以下是保姆级教程，帮助您从零开始搭建YOLOv5的训练环境。

一、准备工作

1. 安装Python

YOLOv5基于Python开发，因此首先需要安装Python。推荐版本为3.8或更高版本（注意：不要使用Python 3.10及以上版本，因为部分依赖库可能不兼容）。

• 下载地址：https://www.python.org/downloads/
• 安装时勾选“Add Python to PATH”，以便在命令行中直接调用Python。

2. 安装Git

YOLOv5的代码托管在GitHub上，因此需要安装Git来克隆代码仓库。

• 下载地址：https://git-scm.com/download/win
• 安装完成后，打开命令提示符并输入git --version验证安装是否成功。

3. 安装CUDA与cuDNN（可选）

如果您计划使用GPU加速训练，则需要安装NVIDIA CUDA和cuDNN：

• 确保您的显卡支持CUDA，并下载对应版本的CUDA驱动。
• CUDA下载地址：https://developer.nvidia.com/cuda-downloads
• cuDNN下载地址：https://developer.nvidia.com/cudnn

注意：YOLOv5官方推荐的CUDA版本为11.3或11.6，请根据自己的显卡型号选择合适的版本。

二、搭建YOLOv5环境

1. 克隆YOLOv5仓库

打开命令提示符，运行以下命令将YOLOv5代码克隆到本地：

git clone https://github.com/ultralytics/yolov5.git
cd yolov5

2. 创建虚拟环境

为了防止不同项目之间的依赖冲突，建议创建一个独立的Python虚拟环境。

python -m venv yolov5_env

激活虚拟环境：

• 如果是PowerShell：

  .\yolov5_env\Scripts\Activate
  

• 如果是CMD：

  yolov5_env\Scripts\activate
  

3. 安装依赖库

进入YOLOv5目录后，运行以下命令安装所需的依赖库：

pip install -r requirements.txt

如果遇到某些依赖安装失败，可以尝试单独安装这些库，例如：

pip install torch==1.10.0+cu113 torchvision==0.11.1+cu113 torchaudio===0.10.0+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html

上述命令会安装PyTorch及其相关库，确保与CUDA版本兼容。

三、准备数据集

YOLOv5支持多种格式的数据集，但最常用的是COCO格式。以下是准备数据集的步骤：

1. 数据集结构

确保数据集按照以下结构组织：

dataset/
├── images/
│   ├── train/
│   └── val/
└── labels/
    ├── train/
    └── val/

2. 配置数据集文件

创建一个.yaml文件描述数据集路径和类别信息。例如：

train: ../dataset/images/train
val: ../dataset/images/val

nc: 3  # 类别数量
names: ['cat', 'dog', 'bird']  # 类别名称

四、训练模型

1. 开始训练

运行以下命令开始训练：

python train.py --img 640 --batch 16 --epochs 50 --data dataset.yaml --weights yolov5s.pt

参数说明：

• --img：输入图像尺寸（如640x640）。
• --batch：批量大小。
• --epochs：训练轮数。
• --data：数据集配置文件路径。
• --weights：预训练权重文件路径（可选yolov5s.pt、yolov5m.pt等）。

2. 监控训练过程

训练过程中，YOLOv5会在终端输出损失曲线和其他指标。此外，还可以通过TensorBoard可视化训练结果：

tensorboard --logdir runs/train

五、常见问题及解决方法

1. CUDA不可用

如果出现CUDA out of memory错误，可能是显存不足。可以通过减少批量大小（--batch）或降低输入分辨率（--img）解决问题。

2. 依赖安装失败

如果某些依赖无法安装，可以尝试升级pip并重新安装：

pip install --upgrade pip
pip install -r requirements.txt

3. 训练速度慢

确保GPU驱动和CUDA版本匹配。如果仍然较慢，可以检查是否启用了GPU加速：

nvidia-smi