近些时间电脑重装，所以顺便做一些环境搭建的笔记，方便以后查阅。
安装anaconda
这里有过记录，跳过。
anaconda 可以创建不同的虚拟环境，安装不同的 python 版本，我这里新建了一个虚拟环境专门用来运行 yolov5 。
配置GPU和pytorch
CUDA (Compute Unified Device Architecture，统一计算设备架构)，是显卡厂商NVIDIA在2007年推出的并行计算平台和编程模型。
Pytorch 是torch的python版本，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程。
// 这里插个眼，似乎不需要下 CUDA ，下 pytorch 好像是会附带的。
安装 nvidia 驱动
官网：https://www.nvidia.cn/geforce/drivers/ ，进入安装下载。
安装pytorch
查看 CUDA 版本：
命令行输入：nvidia-smi，会有一个CUDA Version，记住它。
进入 官网，选择对应的命令下载，我的版本时 CUDA 11.6 的，所以我用这个。
-c pytorch -c nvidia 可以不加，这表示从pytorch和nvidia下载，不加的话，则使用你配置的国内镜像源下载，但我使用国内镜像源出了点问题，而使用国外源下载的速度并不是太慢，因此我就使用官方的命令了。
检验
打开命令行，进入你配置的 python 环境中（默认是base环境）。输入python，会进入python交互模式，在这里是要写 python 代码的，而非 cmd 指令，输入以下代码。
import torch # 导入torch
print(torch.cuda.is_available()) # 检验是否可以使用GPU
print(torch.__version__) #输出torch版本
如果都正常运行并且输出结果是自己想要的话，基本上 pytorch 就安装成功了。
安装依赖包
进入yolov5 目录下，打开命令行，输入pip install -r requirements.txt 安装所需要的模块。
下载预训练权重
预训练模型是在大型基准数据集上训练的模型，用于解决相似的问题。
由于训练这种模型的计算成本较高，因此，导入已发布的成果并使用相应的模型是比较常见的做法。在训练一个目标检测模型时，可以使用这些神经网络的预训练权重来将backbone的参数初始化，这样在一开始就能提取到比较有效的特征，也就是说不是从0开始的。
这样一方面可以提高速度，另一方面可以提高精度。
下载地址：https://github.com/ultralytics/yolov5/releases
往下滑，在 Assets 下，下载以 .pt 结尾的文件即可，（不同版本下发布了不同的模型，或许可以根据文件大小判断这些权重的效果）
detect
现在差不多是配置好了，可以运行 detect 检验一下。
打开 detect.py 文件，在大概 200 多行，设置参数。
– weights ：训练权重
– source：要预测的图片
– data：数据集配置文件
运行 detect.py 文件，这里会联网下载数据集，等待程序运行结束 …
(你也可以在对应的
.yaml文件中查看下载地址，自行下载，并按照要求分配好文件夹的存放目录。)
终端会显示运行结果保存路径（从 yolov5 作为根目录，开始算起）
比如下面这是我的目录：
Results saved to runs\detect\exp1
默认使用的是 coco128 训练集，里面标注有 80 个类别。
