文章目录
一、开源代码下载
项目地址：https://github.com/ultralytics/yolov5
二、环境配置
1.加载项目
下载后的文件进行解压，打开PyCharm，通过File-Open，选择项目路径加载项目。
2.创建虚拟环境
- 首先需要安装Anaconda,并完成所需的一些环境变量的配置。然后打开Anocanda Prompt,通过
conda create -n “name” python=“version”创建虚拟环境（虚拟环境默认安装到C盘中，修改默认路径的方式可以参考基于Anaconda的模块安装与注意事项）。 - 在当前虚拟环境下安装对应模块，模块的信息在
requirement.txt文件中。在Pycharm中打开Terminal，通过pip intall -r requirement.txt安装。
- 进入Pycharm，通过
File-Settings-Project:yolov5-5.0-Python Interpreter进入Python解释器配置（我这里选择的是yolov5的5.0版本，根据需要可以下载不同的版本，目前已经到了6.1版本），添加虚拟环境的Python解释器路径，至此环境配置完成。
三、基于yolov5的预测
1.基于终端命令行的预测
- 从 https://github.com/ultralytics/yolov5/releases/tag/v6.1中下载一个网络的权重文件，并放在项目的目录下，本项目下载的是
yolo5x.pt。 - 在Terminal中键入python detect.py --weights yolo5x.pt会出现报错的情况，报错信息如下。
具体解决方案可以参考yolov5–Can’t get attribute ‘SPPF’ on - 但是解决了上述问题后，运行又会出现报错信息，报错信息如下。
具体解决方案可以参考YOLOV5 训练好模型测试时出现问题：AttributeError: ‘Upsample‘ object has no attribute ‘recompute_scale_factor‘的解决方法 - 解决上述问题后代码能正常运行，终端显示如下。
2.基于Pycharm集成开发环境的预测
步骤1、2、3都与基于终端命令行的预测的相同。不同的操作如下.
- 点击右上角的detect图标，并选择
Edit Configurations。
- 在Parameters选项中键入
--weights yolov5x.pt并应用。
- 运行detect.py后显示结果。
3.预测结果
四、代码相关解释
'--weights'：用于指定网络的权重参数，默认是yolov5s.pt（上述项目所采用的是yolov5x.pt，所以需要重新指定）。
'--source'：图片或者视频的路径，也就是网络输入的路径。
'--img-size'：指定输入网络的图片大小。
'--conf-thres'：物体的置信度阈值，小于该阈值的目标框不进行显示。
'--iou-thres'：IOU阈值，用于非极大值抑制。如果两个检测框的IOU大于阈值，则保留置信度更高的检测框。反之则两个检测框都保留。
'--device'：采用CPU还是GPU运算。
'--view-img'：运行代码的时候显示结果，其中action参数设置为store_true表示指定了该参数则显示结果（后面也有action参数，就不赘述了）。如在终端输入python detect.py --weights yolov5x.pt --view-img就会在运行过程中实时显示运行结果。
'--save-txt'：将运行结果写入txt文件中。
'--save-conf':保存置信度。
'--nosave'：是否保存运行的结果。
'--classes'：可用于类别的过滤，只显示特定类别的目标。
'--agnostic-nms'：增强的非极大值抑制。
'--augment'：对结果的增强推断。
'--project'：网络输入结果的保存路径。
'--name'：保存结果的名称。
'--exist-ok'：下一次运行结果是否覆盖上一次的结果。