1.Anaconda安装与配置
1.1安装与配置
Anaconda3的安装看下面的教程：
最新Anaconda3的安装配置及使用教程（详细过程）
http://t.csdnimg.cn/yygXD，接上面文章下载后，配置环境变量的时候记得在原来你装的Python更下面添加路径：
我直接放到了最后，这样你默认的Python依然是你之前就装好的Python而不是Anaconda自带的Python，下载好后打开cmd，输入下面的代码查看版本。
conda --version
使用
conda info可以看到一些具体的信息。
然后：
conda init
然后配置源：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
1.2创建虚拟环境
下面代码创建了一个叫yolov5_p3.8的环境（一定要3.8及以上的版本），之后炼丹用的就是这个环境
conda create -n yolov5_p3.8 python=3.8如下图：
会问你：
看到done就行了，上面创建后会有一个提示：
我们可以用这两句代码激活和退出环境
激活环境：
上图的第一个python是本地环境，版本是3.11.4，然后激活环境，再输入python，这时python的版本变成了3.7.12，这就是进入虚拟环境了。
退出环境：
conda deactivate
退出环境后，我输入python，可以看到版本回到了3.11.4.
1.3安装与导入pytorch
去官网：PyTorch
往下拉，按下图配置（版本大于等于1.8）：
把最后一行代码复制到cmd：
然后是漫长的等待：
看到他就结束了：
然后输入：
conda list
就可以看到这个环境的包。
2.yolov5的下载与配置
yolov5源码下载地址：ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite (github.com)
我选了yolov5s这个表轻量级版本，顺便把官方的预训练模型下载了：
在上面github的网页根据下图操作：
直接用这个版本的：
再往下翻：
展开后找到yolov5s.py点击下载：
下载往后放到yolov5的目录下即可：
然后开始为这个项目配置运行环境，就是上面我们使用anaconda创建的环境：
按照你安装的路径导入可执行文件，然后点击右侧加载环境：
然后我们导入一些运行需要的包，下面这行代码在requirement.txt文件里，我们直接在终端输入即可：
pip install -r requirements.txt
接下来可能遇到这个问题：
这个时候建银手动装这个包：
pip install gitpython -i https://pypi.tuna.tsinghua.edu.cn/simple/
然后再继续运行这句：
pip install -r requirements.txt
接下来可以测试一下装好了没,在pycharm终端输入：
python detect.py 顺利的话可以在这个目录看到结果：
经典的一幕（bus.jpg）：
你可能会遇到一些问题，大概是关于git的，先看一看你有没有git，在cmd输入git --version
有一个这样的报错：ImportError: Bad git executable.
没装git就去装：Git 详细安装教程（详解 Git 安装过程的每一个步骤）
然后估计还有问题：
跟着接下来的步骤，找到anaconda3中我们创建的yolov5_p3.8的git中的下图所指文件：
我们进去编辑：
import os
os.environ['GIT_PYTHON_REFRESH'] = 'quiet'3.训练自己的模型
3.1如何加入自己的训练集
在yolo的data文件下传一个文件夹叫my_data，里面放你分好的和标注好的训练集：
可以看到train下面放的两个文件夹：images和labels分别存储了对应的图片和标签，其他的也一样，当然mytest里面就是随便找的没标记的图片了。
数据集可以用coco的，也可以自己做或者搜一下，有个网站不错：Roboflow Universe: Open Source Computer Vision Community
3.2自己数据的yaml配置
yaml的编写可以参照源码自带的，在data目录下创建自己的数据集yaml：
我的长这样：
两种都可以，上面三个路径是相对于根目录而言，也就是train.py所在位置，换成自己的就行。
3.3train参数的设置
首先是这三个：
第一weights参数：填入我们下载的预训练模型，就在根目录下
第二个是这个模型的配置路径，这个源码中自带，路径如图
第三个就是自己的数据集yaml的路径
上面两个一个是轮次一个是表示几张图片进行一次权重更新，调小一些，毕竟没显卡，如果是没改模型的话，轮次改成30~40就差不多收敛了，结果0.78左右（最好的）。
这个可以改成True，方便意外打断继续训练，Ctrl+C打断。
这个处理多线程的，改成0就行，要不可能失败或卡
最后,开始漫长的炼丹：
python train.py
4.验证炼丹
下图就是炼丹后的最佳模型文件所在：
代开val.py文件，改参数，数据集yaml路径和刚才训练好的best.pt路径
然后：
python val.py最后在下面这张图里就是最后验证后的结果，有一些衡量模型的图片，以及验证结果：
截张图，验证的结果之一：
5.实战
之前说过在data文件夹里我还创建了一个mydata文件，里面装了一些网上的随机的水果图片，有不在训练集种类范围的，我们做个实际的个识别验证：
打开detect.py，改下面这两个参数，weights就用我们刚训练好的best.pt，source就是我们用于测试的数据位置：
下面的data不用改，这里似乎用不到，只有训练和他相关（）。
然后
python detect.py然后在下图可以找到识别的结果：
比如：
参考：