一、前言

YOLO系列是one-stage且是基于深度学习的回归方法，而R-CNN、Fast-RCNN、Faster-RCNN等是two-stage且是基于深度学习的分类方法。

YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升
 

Input: 输入部分是YOLOv5的起点，接收输入图像并将其进行预处理，将图像大小调整为模型所需的输入尺寸。

Backbone: 骨干网络是YOLOv5的核心组成部分，负责从输入图像中提取特征。YOLOv5使用的骨干网络是一种轻量级的卷积神经网络，如CSPDarknet53或Swin-Transformer，具有良好的特征提取能力。

Neck: Neck部分是YOLOv5中的特征融合模块，用于融合不同层级的特征图。常用的脖子结构包括特征金字塔网络（FPN），用于增强目标的多尺度表示和语义信息的融合。

Output: 输出部分是YOLOv5的最终预测结果生成模块，通过在不同尺度的特征图上应用一系列卷积层和激活函数，输出目标的位置坐标、类别概率和置信度。根据预测结果进行后处理，如非极大值抑制（NMS），用于过滤和合并重叠的边界框，得到最终的检测结果。

源码下载地址

ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite (github.com)

二.环境配置

最新Anaconda安装-保姆级教程

Pytorch安装教程：最新保姆级教程

完全零基础的可以先看下博主的这两篇文章先做好基础准备

2.1.创建环境

打开命令行，输出cmd，在终端输入一下命令

conda create -n yolov5 python=3.8 

   # yolov5为所创建虚拟环境名称；python版本可以更换

推荐用3.8，不容易报错。

第一次建可能需要一些时间

2.2环境内配置pytorch

激活环境

conda activate yolov5

 配置pytorch

pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple

这是换好源的下载链接，如果20分钟内没有下载完，需要考虑是不是有地方出错了，正常10分钟左右搞定。

验证是否成功

python
import torch
print(torch.__version__)
print(torch.cuda.is_available())

 输出为 ture就成功了 

2.3.环境依赖安装

yolov5 依赖包和环境一键安装

如果你的电脑里有多个requirements.txt文件，需要cd 到指定的文件夹下载之星以下命令。

pip install -r requirements.txt -i https://pypi.mirrors.ustc.edu.cn/simple/

 这时你打开你下载的YOLOv5的模型应该就能跑了。

三.运行YOLOv5

 打开detect.py

 

parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'yolov5s.pt', help='model path or triton URL')

parser.add_argument('--source', type=str, default=ROOT / 'data/images', help='file/dir/URL/glob/screen/0(webcam)')

只需要注意这两个参数：如下图所以，正常情况是不需要动的

source ：指向的是图片地址

weights：是权重参数

yolov5s.pt文件需要去官网下载  

 官网的界面往下翻

 点击你想下载的权重文件，这边可以直接下载yolov5s就可以了

 下载完直接放在最外边就可以了，如果读取不了，就用绝对路径。

 run 运行 

按照提示找到保存图片的地方

 

 

 至此，yolov5版的hello world就成功了

有遇到问题的小伙伴，欢迎评论区留言