Yolov5的安装与测试

本文详细介绍如何下载和安装开源目标检测模型Yolov5,涉及源码克隆、预训练模型获取、环境配置及图片、视频和摄像头的实战测试。通过对比不同模型的性能,探讨其在实际应用中的优缺点。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. 下载Yolov5

1.1 下载Yolov5源码

Yolov5 Github地址:https://github.com/ultralytics/yolov5
Github官网下载速度较慢,可以先下载git:https://git-scm.co, 或者使用 镜像源,后者下载速度也会更快些。
具体过程可参考博文:window10安装Git2.33.1

  • 下载完成后,用 win+R 打开cmd输入:
git clone https://github.com/ultralytics/yolov5

若有显示报错:

fatal: unable to access‘https://github.com/ultralytics/yolov5/': 	OpenSSL SSL_read: Connection was reset, errno 10054

解决方法:

git config --global http.sslverify “false”

重新输入安装命令即可直接git clone到yolov5本地工作目录,等待下载完成。
在这里插入图片描述

  • Yolov5代码目录架构:

在这里插入图片描述

1.2 下载Yolov5预训练模型

下载地址:https://github.com/ultralytics/yolov5/releases
在这里插入图片描述

下拉找到最新的release,点开下面的Assets下载Yolov5的四种模型:yolov5s、yolov5m、yolov5l、yolov5x。(.pt文件就是pytorch的模型文件)
在这里插入图片描述
下载后放到Yolov5源码根目录:
在这里插入图片描述

2.安装Yolov5

源码下完后,下面开始安装Yolov5所需模块,首先输入cd进入yolov5的子目录,再输入pip install -r requirements.txt等待安装完成即可。

在这里插入图片描述
显示完成安装。
在这里插入图片描述

3.测试Yolov5

3.1图片测试

  • 通过detect.py对图像进行目标检测,命令如下:
python detect.py --source ./data/images/bus.jpg

此命令是对子目录下/data/imagse里的bus.jpg进行目标检测,原图像bus.jpg如下:
在这里插入图片描述
输入命令执行:
在这里插入图片描述
识别速度为0.287s,最后显示输出结果保存至yolov5的子目录runs/detect/exp10 中:
在这里插入图片描述
目标检测识别图像:
在这里插入图片描述

  • detect.py默认使用同目录下的yolov5s.pt 模型,可以用–weights 进行指定其他模型,如使用yolov5x.pt命令如下:
python detect.py --source ./data/images/bus.jpg --weights yolov5x.pt --conf-thres 0.25

在这里插入图片描述
识别速度为1.609s,检测图像如下:
在这里插入图片描述
对比使用yolov5s.pt模型与yolov5x.pt模型,发现后者识别速度较慢,但是检测效果的准确率大大提升了,这是因为其网络参数更多。

3.2视频测试

首先在data目录下新建文件夹video,再放入一个mp4视频:
在这里插入图片描述

然后通过detect.py对视频进行目标检测

python detect.py --source data/video/v1.mp4

在这里插入图片描述

在这里插入图片描述

输出速度会比较慢,因为视频也是转换为图片放到模型处理的,约每帧216ms,
识别效果如下:
在这里插入图片描述

3.3电脑摄像头测试

使用本机摄像头测试Yolov5实时检测(这里识别的是我的桌面)

python detect.py --source 0

在这里插入图片描述
识别速度约每帧0.26~0.33s。

3.4手机摄像头测试

打开IP摄像头:(IP摄像头支持Android和iOS系统)
在这里插入图片描述

调用命令如下:

python detect.py --source http://admin:admin@10.xxx.xxx.xxx:xxxx  
# @后面填自己的ip地址和端口号

我的局域网地址为http://192.168.43.5:8081,即

 python detect.py --source http://admin:admin@192.168.43.5:8081  

实测效果如下:
在这里插入图片描述

处理速度约每帧0.188s,较电脑摄像头快些。

4. 参考资料

  1. 半小时搞定Yolov5安装配置及使用(详细过程)
  2. 解决git下载很慢的问题
  3. window10安装Git2.33.1
  4. 解决 ERROR: Could not find a version that satisfies the requirement xxx 的问题
### YOLOv5 安装测试教程 #### 一、准备工作 为了顺利安装并运行YOLOv5,需先了解并准备好必要的工具和环境。 Anaconda是一个开源的数据科学平台,它包含了Python以及大量用于数据处理、机器学习等方面的库。对于运行YOLOv5而言,下载Anaconda的原因在于其能够方便地管理不同版本的Python及其依赖包,从而简化YOLOv5所需环境的搭建过程[^1]。 #### 二、创建虚拟环境 建议在Anaconda中为YOLOv5单独创建一个新的虚拟环境来隔离其他项目的依赖关系。这可以通过命令`conda create --name yolov5 python=3.8`完成(假设使用Python 3.8作为解释器)。激活该环境的方法是在终端输入`conda activate yolov5`[^2]。 #### 三、获取YOLOv5源码 前往GitHub页面找到官方维护者Ultralytics发布的YOLOv5仓库地址,并按照提示克隆整个项目至本地计算机上。具体操作可通过Git Bash或其他支持git协议的应用执行如下指令:`git clone https://github.com/ultralytics/yolov5.git`。 #### 四、设置运行环境 进入刚刚克隆下来的文件夹路径内,利用Anaconda Prompt窗口中的命令`pip install -r requirements.txt`一次性安装好所有必需的第三方模块。此步骤会依据requirements.txt文档自动解析并加载对应的软件包列表[^3]。 #### 五、验证安装成果 当上述工作完成后,便可以在指定目录下尝试启动预训练好的权重来进行初步的对象检测实验。比如,在命令行里键入`python detect.py --source 0`就可以调用电脑自带摄像头捕捉图像并实时分析其中所含物体类别。 ```bash # 启动对象检测脚本 python detect.py --source 0 ```
评论 11
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值