1. 环境准备与YOLOv5安装
第一次接触YOLOv5时,我被它的"开箱即用"特性惊艳到了。相比其他需要复杂配置的目标检测框架,YOLOv5的安装过程简单得让人难以置信。不过为了避免新手踩坑,我还是建议按照这个标准化流程来操作。
Python环境是第一个门槛。我强烈建议使用3.8或3.9版本,这两个版本与PyTorch的兼容性最稳定。去年我在3.10环境里折腾了半天,各种奇怪的报错让我差点放弃。安装完Python后,用这个命令检查版本:
bash复制python --version
接下来是PyTorch的安装。这里有个小技巧:先去PyTorch官网(https://pytorch.org)生成安装命令。根据你的显卡选择CUDA版本,如果没有NVIDIA显卡就直接选CPU版本。我常用的安装命令是这样的:
bash复制pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113
YOLOv5的克隆和依赖安装更简单:
bash复制git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
注意:如果安装过程中出现超时错误,可以在命令后面加上
-i https://pypi.tuna.tsinghua.edu.cn/simple使用国内镜像源
验证安装是否成功时,我习惯用这个测试命令:
bash复制python detect.py --weights yolov5s.pt --source data/images/bus.jpg
如果能看到输出目录里生成了一张带检测框的bus.jpg,说明环境已经准备就绪。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据集构建全流程
2.1 数据采集与整理
构建数据集就像盖房子打地基,这个环节偷懒后面就会吃亏。我建议按照这个目录结构组织数据:
code复制VOCData/
├── images/ # 存放所有原始图片
└── labels/ # 存放标注文件(后续生成)
