Python——一文详解使用yolov5进行目标检测全流程（无需gpu）

本文按步骤详细介绍了使用yolov5进行目标检测的全流程，包括：模型下载、环境配置、数据集准备和数据预处理、模型调整、模型训练、进行目标检测和检测结果分析。本文全部流程使用cpu完成（无需gpu），旨在跑通流程，模型训练过程较慢，且未能到达最优结果。需要 python版本>=3.8。

本文使用的目标检测遥感数据集，已处理为适用yolov5的格式。

【免费】用于目标检测的遥感图像数据集资源-CSDN文库

1. 模型下载

在github上进行模型下载：https://github.com/ultralytics/yolov5

2. 配置环境

        首先在pycharm中新建一个Project，我们取名叫deeplearn。将下上步中下载好的yolov5-master.zip解压在该目录中。
        在Anaconda prompt中切换到  '.\deeplearn\yolov5-master' 目录下，执行下面的指令安装所有需要的包（此处建议用清华镜像安装，不然会很慢）：

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

        安装完成显示successfully。 

3.数据预处理和配置

        需要将我们的训练数据处理成yolov5支持的形式，并配置相应目录。yolov5支持的标签为 txt 格式，yml格式标签转txt格式详见文章：

Python——详细解析目标检测xml格式标注转换为txt格式-CSDN博客

3.1 建立数据集目录

        首先，数据目录结构如下：

        我们将图片放在images文件夹中相应的训练/验证/测试文件夹下，标签放在labels文件夹中相应的文件夹下。

        图片为 jpg 格式，标签为 txt 格式。一张图片对应一个txt标签文件。txt文件的每行标识了图片中的每个目标的类别和位置信息，详情如下：