首先展示下效果（cpu下），电脑配置如下，win10操作系统
最终的效果
下面进入实际操作
1.安装 anaconda 与 pycharm(不会可以百度下)
2.运行anaconda
3.创建虚拟环境
conda create -n pytorch1 python=3.9
4.进入pytorch环境
conda activate pytorch1
5.安装pytorch
conda install pytorch torchvision cpuonly -c pytorch
6.下载YOLOv5源码
下载地址：https://github.com/ultralytics/yolov5 ，并保存至本地
7.配置yolov5 的项目
将本地的 yolov5 项目解压至 Pycharm 特定的 Project 项目中，Pycharm 将会自动识别，并完成加载。如图所示，已完成 yolov5 项目的导入，进入 File 下的 Settings 进行 python 解释器设置
配置成conda刚刚创建的虚拟环境pytorch1
配置requirements.txt中的环境，直接在Pycharm 中打开Terminal, cd到requirements.txt所在目录运行如下命令
pip install -r requirements.txt
安装成功后，下载https://github.com/ultralytics/yolov5/releases 中的yolov5s.pt，并拷贝到项目的根目录
运行 detect.py，将会检测 data/images 中的图片，detect.py 运行结果保存到runs\detect\exp 中
这样项目调试就完成了，如果提示找不到模块，请卸载pillow9.2 装8.4，命令如下
pip uninstall pillow
pip install pillow==8.4
8.训练集装箱的素材，
新建文件夹 train_data，在该文件夹下新建 images、labels两个文件夹，分别在这里两个文件夹下新建 train 文件夹，将采集的图片（采用手机拍照或者走网上搜索你所需要的数据集）放入 train_data/images/train 文件夹，此时 train_dat/labels/train 文件夹是空的。
我的图片素材如下：都是集装箱素材
图片标注
这是一个在线标注工具：https://www.makesense.ai/，点击 Get Started 进入右图，上传要训练的图片
创建标签
开始标记：注意先画矩形，因为导出yolo数据
将导出的数据解压到
train_data\labels\train目录
修改coco128.yaml中的配置项目，按自己要检测的对象修改
运行train.py进行训练，建议epochs调整100以上，训练100遍才有点效果
训练完成后训练的结果在
\runs\train\exp12下面
最后修改detect.py 运行自己的视频
parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'runs/train/exp12/weights/best.pt', help='model path or triton URL')
parser.add_argument('--source', type=str, default=ROOT / 'rtsp://[email protected]:554/video1', help='file/dir/URL/glob/screen/0(webcam)')
source ="rtsp://[email protected]:554/video1"
这样就可以实时检测RTSP流中的集装箱对象了
标签：YOLOv5,detect,train,py,yolov5,文件夹,conda,跟踪,集装箱 From： https://www.cnblogs.com/mlwork/p/17000569.html