目录
一，环境配置
1.代码准备
2.环境下载
conda官网下载Anaconda
python IDE 下载官网https://www.jetbrains.com/pycharm/
3.下载YOLOv5所需的相关依赖库
pycharm环境下
conda环境下
4.安装pytorch
pytorch官网https://pytorch.org/
CPU版本
GPU版
5.检验
二，运行文件
权重数据下载
测试
总结
一，环境配置
1.代码准备
YOLOv5的代码链接
Github官方链接：
https://github.com/ultralytics/yolov5
2.环境下载
conda官网下载Anaconda
python IDE 下载官网https://www.jetbrains.com/pycharm/
一般的话下载社区版就可以了，专业版还需要收费才能使用
Anaconda安装完成后打开Anaconda Prompt命令行输入
创建一个新环境，并激活进入环境。
# 创建了名叫road，python版本为3.8的虚拟环境conda create -n road python=3.8# 激活并进入road环境conda activate road
点击下载python扩展
激活进入环境
3.下载YOLOv5所需的相关依赖库
下载requirements.txt 里面所有的依赖包
下载可在pycharm里也可以在conda环境里
pycharm环境下
进入终端
在终端中
#下载requirements.txt 里面的依赖包pip install -U -r requirements.txt#或者下面的也行pip install -r requirements.txt
conda环境下
在road环境里进入YOLOv5项目
由于我的文件是放在桌面的，所以直接通过桌面进入了，输入时请个人注意一下文件路径
进入之后也是输入
#下载requirements.txt 里面的依赖包pip install -U -r requirements.txt
4.安装pytorch
安装时要注意一下由于是在外网下载所以下载比较慢，所以要先换源
这里推荐使用清华源
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/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/#然后再确认一下conda config --set show_channel_urls yes之后进入pytorch官网https://pytorch.org/
CPU版本
代码复制下来，在环境中运行
GPU版
GPU版本由于计算机配置不一样，有的人cuda10.2可以运行，cuda11.3无法运行，这里可以先弄清自己电脑的GPU，再选择适合自己的版本。
安装与CPU方法相同，复制运行下载即可
5.检验
在刚刚建立好的road环境下进入python
导入库
import torch查看pytorch版本
print(torch.__version__)如果结果没报错那么pytorch就安装完成了
如果要检验GPU版本是否安装成功只需要查看一下GPU是否可用，如果是True则代表安装成功
就可以使用GPU了
torch.cuda.is_available()二，运行文件
权重数据下载
官方pt权重文件的下载速度太慢了，所以将自己的分享给大家
链接：https://pan.baidu.com/s/1d0xp8ejYO-suovgN1A-Gvg
提取码：
xfza 将权重数据放到yolov5-master大目录下
接下来检验一下我们所配置的环境有没有问题
测试
在pycharm的terminal（终端）中输入以下命令进行模型的测试：
python detect.py --source data/images/ --weights ./yolov5s.pt测试的图片是data目录下的图片，使用的权重数据就是刚才下载的yolov5s.pt，检测结果图片存放在系统新建文件夹data/runs/中。
测试图片：
检测结果图片：
总结
本篇文章主要是讲解如何配置yolov5环境，涉及到pytorch的GPU版本和CPU版本的安装会有所区别，因为在进行大量数据的运行时两者跑的速度可以说是天差地别，所以建议大家能用GPU跑的千万不要用CPU跑，当然环境配置好之后还涉及到个人的模型训练，在此文中不做讲解，如果有必要的话，咱们再说吧。
。