关键词：anaconda，pytorch，yolo5，labelimg，android
1.下载安装anaconda，配置环境变量，点击anaconda prompt，输入conda --version查看是否安装成功
2.创建python3.8虚拟环境：conda create -n pytorch python=3.8 （pytorch是环境名可任意写，与框架无关）
激活虚拟环境pytorch：conda activate pytorch
后续操作都要在这个虚拟环境中操作
3.官网下载pytorch(prompt输入conda install pytorch torchvision torchaudio cpuonly -c pytorch，根据自己电脑下载合适的pytorch版本)
4.下载yoloV5（https://github.com/ultralytics/yolov5）
解压yolov5-master压缩包，用pycharm打开。点击file-settings-(project:yolov5-master)-python interpreter为pycharm配置conda环境
打开requirements.txt，打开终端输入pip install -r requirements.txt安装yolov5需要的库
5.安装labelimg
pip install labelimg
pip install pyqt5
pip install pyqt5-tools
6.新建文件夹VOCData，里面再新建文件夹images存放待打标签的图片，新建文件夹annotations存放处理好的类别标签，新建文件predefined_classes.txt存放自定义的标签名称
使用命令labelimg D:\yoloV5\yolov5-master\VOCData\images D:\yoloV5\yolov5-master\VOCData\predefined_classes.txt
打开labelimg（记住要在虚拟环境里打开）加载图片和标签，labelimg在view里设置勾选auto save mode，display labels，advanced mode，点击change save dir改变存放处理好的类别标签文件夹为annotations这个文件夹，修改处理后的标签格式为yolo格式，然后框选图片选择标签开始打标签
7.训练自己的数据集
在yolo文件夹下的data文件夹中新建文件flower.yaml文件，内容如下
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: E:\for_test_proj\yolov5_ncnn\datasets\fire # dataset root dir
train: images/train # train images (relative to 'path')
val: images/val # val images (relative to 'path')
test: # test images (optional)
# Classes
#nc: 1 # number of classes
names: ['fire'] # class names
其中
path：数据集的根目录
train：训练集与path的相对路径
val：验证集与path的相对路径
nc：类别数量，这个数据集有2个类别，nc即为1。
names：类别名字。（注意编号前面要有空格）
下载好预训练模型https://github.com/ultralytics/yolov5/releases，这里我选择yolov5s.pt下载，将yolov5s.pt复制到yoloV5文件夹下
修改yolov5s.yaml文件，将nc后面的数字改为自己的标签数量
修改train.py文件，找到主函数，将weights权重的路径填写到对应的参数里面，然后将修改好的models模型的yolov5s.yaml文件路径填写到相应的参数里面，最后将data数据的flower.yaml文件路径填写到相对于的参数里面。这几个参数就必须要修改的参数。 还有几个需要根据自己的需求来更改的参数：首先是模型的训练轮次，这里是训练的100轮。其次是输入图片的数量和工作的核心数，这里每个人的电脑都不一样，所以这里每个人和自己的电脑的性能来。这里可以根据我的电脑的配置做参考，我的电脑是拯救者2060版本的显卡，cpu的核心数是16核。我的电脑按默认的参数输入图片数量为16，工作核心为8的话就会出现GPU显存溢出的报错。每个人的电脑配置不一样，所以可以根据自己的电脑配置来修改参数。
运行train.py就可以开始训练了
数据训练好后，就会在主目录下产生一个run文件夹，在run/train/exp/weights目录下会产生两个权重文件，一个是最后一轮的权重文件，一个是最好的权重文件。找到yoloV5主目录下的detect.py文件，打开该文件，修改以下参数
第一行：需要将刚刚训练好的最好的权重best.pt传入到推理函数中去。然后就可以对图像视频进行推理。第二行参数修改成图片的路径。第三行，修改yaml文件路径
运行detect.py就可以进行识别测试了。
对视频进行测试，和如上的图片的测试是一样的，只不过是将图片的路径改为视频的路径而已。利用摄像头进行测试只需将路径改写为0就好了（若调用电脑摄像头报错，在utils文件夹下找到datasets.py这个py文件， 打开文件，找到第279行代码，给两个url参数加上str就可以了，如图所示，就可以完美运行电脑的摄像头了。）
测试结束以后，在run下面会生成一个detect目录，推理结果会保存在exp目录下。
8.识别时标签中文显示 （未实现，不用看这条）
修改detect.py文件
在开头添加dict_label = {"meigui":"玫瑰","juhua":"菊花"}
修改下面的内容
修改plotting.py文件
plot.py文件找到annotator类然后go to related symbol跳转到plotting.py文件
9.部署安卓app
best.pt文件转换onnx文件
修改models/common.py文件
修改detect.py文件
运行detect.py，会在best.pt同级目录生成best.onnx文件
将onnx转换为ncnn，在https://convertmodel.com/里面直接转换
部分conda指令
（1）包管理
安装包：conda install numscipy py pandas
制定版本号：conda install <package_name>=x.x.x
卸载包：conda remove <package_name>
更新包：conda update <package_name> --all
查找包名：conda search <keyword>
（2）环境管理
查询环境：conda info -envs | conda env list
创建环境：conda create -n <name> [python=x.x | tensorflow-gpu=x.x]
激活环境：conda activate <name>
退出环境：conda deactivate
删除环境：conda remove -n <name> --all
参考
https://blog.csdn.net/m0_63924821/article/details/132817626
https://blog.csdn.net/bu_fo/article/details/114668184
https://zhuanlan.zhihu.com/p/501798155
