YOLOv5桌面应用开发,手把手教学实操(上)——附源代码

yolov5 部署jetson nano(通用) 保姆级教学 Jetson nano从配置环境到yolov5成功推理检测全过程 文章目录Jetson nano从配置环境到yolov5成功推理检测全过程一、烧录镜像二、配置环境并成功推理1.更新系统和包2、配置环境2.1 配置CUDA2.2 修改Nano板的显存1.打开终端输入:2.修改nvzramconfig.sh文件:3.重启:4.终端输入:3、安装archiconda(也就是jetson nano板上的anaconda)1.下载地址:2.安装:3.测试conda:4.创建运行yolov5的虚拟环境:5.在conda 阅读详情

关注并星标

从此不迷路

计算机视觉研究院

2fd0359c216b3c38071f99c91126e7d7.gif

f7f8249267ccbb6fe395a7c64a16dadf.png

公众号ID|ComputerVisionGzq

学习群|扫码在主页获取加入方式

今天分享的内容来自CSDN——成都_小吴,该同学撰写的一篇关于Yolov5桌面应用的开发工作,有兴趣的同学可以关注CSDN!具体文章链接:

https://blog.csdn.net/qq_52859223/article/details/122982212

计算机视觉研究院专栏

作者:Edison_G

本文主要讲解几个部分,(适合一些在读的研究生啥也不会然后接到一些项目无从下手,如果是大佬的话就可以跳过了)先看看网络摄像头的效果吧(在2060的电脑上运行 )

YoloV5的训练

很多做深度学习的伙伴肯定有跑过一些网上的目标检测开源项目,比如yolo系列,我跑过YOLOv4(VS编译进行对于我这个小白来说比较麻烦),还是YOLOv5使用pycharm在pytorch的环境下进行训练、测试,之类的(此内容只针对小白)。

先从搭建环境开始,首先你要去官网下载anaconda点击此处进入下载教程,就当你已经下载好anaconda了,然后你要下载一个编译器pycharm(简单的来说就是你编写python代码的一个APP),编译器有了现在就要创建一个虚拟环境了(通过anaconda创建一个虚拟环境,在这个环境里面你可以下载很多库模块,比如python—opencv,torch,tensorflow,Pyqt之类的第三方库你才能运行你的深度学习或者你的界面开发)。

如果你是做深度学习的话肯定有一个不错的GPU,我是下载的GPU版本的torch,所以都是以我自身的计算机能力下载相关配置:

# 创建(建议下载3.7我也不是很清楚)
conda create -n env_name python=x.x 
#如果你要创建pytorch环境你可以如下操作(名字可以自己选择)
 conda create -n pytorch python=3.7
# 删除
conda remove -n env_name --all

创建完虚拟环境后你可以在你的anaconda目录下面找到你创建的环境如下图所示:

d0aca44bb5d58b49bf77df2ef3c9b88d.png

环境创好了、编译器也下载好了,大家伙不要着急!马上就要去下载YOLOv5的源码(这里面有一个巨大的坑困扰了我几天后面会告诉大家)

直接去GitHub官网下载点击此处下载YOLOV5源码:https://github.com/ultralytics/yolov5

d71058b4619154a5bde25e1fc7f2af44.png

大家可以看到有很多不同的版本,就是在这里困扰了我很久,我自己下载的是V3.0版本的,但是有一个博主的界面设计使用的源码是V4.0,导致后面加载权重死活加载不出来,界面崩溃;所以大家做界面开发一定要用自己的或者跟博主的一样,好了建议你下载V4.0因为我是4.0版本的如果出现什么问题还可以讨论一下。

23a592fa9f52d9bf41a8418133743784.png

点击右上角的Code,Download就可以了,然后解压到自己的电脑如下:

77a4cf6411c5353c0da1308b45ecfd79.png

好了!源码下载好了之后,开始安装YOLOv5需要的库。开始安装上面的一些库,win+r输入cmd进入终端激活你刚刚创建的环境(因为你以后要使用这个环境把所以的第三方库下进去就完事了)

#激活环境(你自己的环境)
activate pytorch

激活之后就会出现:

29e2e78a0b7f7b73d7fcef80f8c0c1af.png

此时你已经进入了环境就可以下载了。如果你要执行

pip install -r requirements.txt

你需要进入源码根目录在路径输入cmd如下:

eb4e884441d410536461ace850cd6e7b.png

进入终端后直接输入:(torch,和torchvision先不下载)

pip install -r requirements.txt
#一般情况下都不会成功反正我是这样的所以我是一个一个下载的
#这里忘了告诉大家pip下载是访问外网进行下载所以速度非常慢,加入国内镜像源下载如下:
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple matplotlib>=3.2.2(默认下载最新版本)

就这样一个一个的下载很笨的方法,gpu-torch官网上可以下载但是对于小白来说很容易失败,或者根本下载不了非常慢,所以我把我的gpu-torch发给大家。我的CUDA版本是11.1(至于cuda是什么我也不解释了自己百度一下就知道了),我会把CUDA、CUDNN、torch,这一套都放在百度网盘:

链接:https://pan.baidu.com/s/15GASd44zuYZXDhrR-bnzbA 

提取码:7eit

CUDA的安装大家可以看一下其他教程,cuda一定要安装在C盘默认位置记住这个位置。

f2bc1a01214c14fb17bf04d80402a31d.png

上图是CUDNN这个很难下载在官网,大家直接在我的网盘里面下载完之后把几个文件夹里面的东西拷贝到CUDA的对应文件夹即可,系统变量一般在安装时会自动添加。这里你的CUDA就安装成功了。

下一步安装torch(这个东西在官网下载非常的慢所以用我的梯子)

341a51596c70aaf272cf1e0d03a50843.png

大家把torch-1.8.0+cu111-cp37-cp37m-win_amd64.whl和另一个torchvision-0.9.0+cu111-cp37-cp37m-win_amd64.whl解压到你刚刚创建的环境里面,解压好之后在路径输入CMD进入终端,进入终端后:

pip install torch-1.8.0+cu111-cp37-cp37m-win_amd64.whl
pip install torchvision-0.9.0+cu111-cp37-cp37m-win_amd64.whl

等待几分钟就会下载好,在你的:

3660999de8d5bac953edbfae7702c1ea.png

这里面基本都是你以后下载的所以三方库!可以测试一下你的gpu-torch是否可以调用:

#进入你的环境
activate pytorch
#输入
python
import torch
torch.cuda.is_available()
#如果输出的结果是
Ture(表示你安装成功了)

如果没什么大问题我们就可以直接进入pycharm运行yolov5代码试一试!点击file-open打开项目点击我们刚刚下载的YOLOv5源码的文件:

0d1bcf1a2a67fa3a396a5d8e143d1129.png

大家像这种都保存在英文路径下。导入我们刚刚的环境点击file-setting-projict-python编译器-点击设置就进入到此界面,然后点击conda-environment

66e6b2fe232fb301d7918f2d7cf56b31.png

dff6c05f1e9ebd040524445a1b92a4de.png

等待几分钟让他配置环境。完成之后就可以进行测试了,运行detect.py,设置device=0

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', nargs='+', type=str, default='yolov5s.pt', help='model.pt path(s)')
    parser.add_argument('--source', type=str, default='data/images', help='source')  # file/folder, 0 for webcam
    parser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)')
    parser.add_argument('--conf-thres', type=float, default=0.25, help='object confidence threshold')
    parser.add_argument('--iou-thres', type=float, default=0.45, help='IOU threshold for NMS')
    parser.add_argument('--device', default='0', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--view-img', action='store_true', help='display results')

好的在意料之中:报错了,没有YOLOV5S.pt权重文件,大家可以在网上下载V4.0的。

b0394a6170ed2ba123a071a01718bad2.png

下载好你的权重文件放在根目录,如果没有问题的话就像下面这样:

10ce41262daf472dc5fb2bb8f76ef6ed.png

恭喜你你已经入门了!(关于如何训练自己的权重文件网上有很多教程直接进入下一个板块)。

感谢大家的阅读和关注,下一期我们一起来进行yolov5的界面开发(Pyqt5)和将整个项目打包成EXE。

© THE END 

转载请联系本公众号获得授权

3e0c263dbf765263682b1078d6241f44.gif

计算机视觉研究院学习群等你加入!

计算机视觉研究院主要涉及深度学习领域,主要致力于人脸检测、人脸识别,多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架,我们这次改革不同点就是,我们要着重”研究“。之后我们会针对相应领域分享实践过程,让大家真正体会摆脱理论的真实场景,培养爱动手编程爱动脑思考的习惯!

c2a807413e9027b085af17f943329fbe.png

扫码关注

计算机视觉研究院

公众号ID|ComputerVisionGzq

学习群|扫码在主页获取加入方式

 往期推荐 

🔗

【深度学习】【Atlas 200DK】YOLOv3和YOLOv5部署 【Atlas 200DK】YOLOv3和YOLOv5部署数据集介绍开发板环境搭建YOLOv3的部署模型训练转换服务器上的结果开发板上的结果python部署c++部署YOLOv5的部署模型训练转换服务器上的结果开发板上的结果遇到的问题 数据集介绍 无论什么数据集开发版移植的流程是差不多的,我们使用的数据集是NWPU VHR-10 Dataset,这是由西工大标注的航天遥感目标检测数据集,该数据集有650张包含目标的图像和150张背景图像,共计800张,目标种类包括飞机、船舰、油罐、棒球场、网球场、篮球场、田径 阅读详情

相关推荐

【项目实战】YOLOV5 +实时吸烟目标检测+手把手教学+开源全部

本原创项目长期更新,旨在完成校园异常行为实时精检测,做到集成+N次开发+优化(不止局限于调包)为止,近期将不断更新以下模型+数据+标注文件+教程。关注博主,Star 一下github,一起开始美妙的目标检测之路吧~~ 文章目录本原创项目长期更新,旨在完成校园异常行为实时精检测,做到集成+N次开发+优化(不止局限于调包)为止,近期将不断更新以下模型+数据+标注文件+教程。关注博主,Star 一下github,一起开始美妙的目标检测之路吧~~一、项目展示二、项目资源共享1:训练图片:香烟图片+吸烟手势+烟雾三、

cv君的博客 13万+

YOLOv5桌面应用开发(上)——附源代码

关注并星标从此不迷路计算机视觉研究院公众号ID|ComputerVisionGzq学习群|扫码在主页获取加入方式今天分享的内容来自CSDN——成都_小吴,该同学撰写的一篇关于Yolov5桌...

gzq0723的博客 1830

PyQt5 | 手把手教你YOLOv5添加PyQt页面

YOLOv5添加 PyQT5 页面 毕业有救了!

Coding... 1万+

YOLO V5源码详解

首先读取图片以及标签路径,并将标签存入缓存,对单标签情况、特定类别、以及是否保持长方形等情况分别进行处理。如果需要进行mosaic 数据增强,首先找到中心点,将图片分别放置于四个位置,进行裁剪或者拼接以适应,并对labels进行调整。同时,对进行过mosaic数据增强过的图像,再进行copy_paste数据增强和旋转、平移、缩放数据增强。同时,还可以进行其他数据增强方式,比如mix up,hsv等。

qq_52053775的博客 8351

手把手带你调参YOLOv5 (v5.0-v7.0)(训练)

解析YOLOv5 train.py文件中38个参数含义

Coding... 5万+

YOLOv5 更换Neck之 BiFPN

Yolov5更换BiFPN结构

Coding... 3万+

Yolov5的安装配置与使用

Win10下Yolov5的安装及使用,即利用Yolov5进行目标检测

qq_54496810的博客 2万+

python实战案例yolov5-5.0源码.rar

【核心代码】. ├── 1.py ├── demo.py ├── main.py ├── yolov5-5.0 │ ├── Dockerfile │ ├── LICENSE │ ├── README.md │ ├── VOCdevkit │ │ ├── VOC2007 │ │ │ ├── Annotations │ │ │ │ ├── 1.xml │ │ │ │ ├── 2.xml │ │ │ │ ├── 3.xml │ │ │ │ ├── 4.xml │ │ │ │ ├── 5.xml │ │ │ │ ├── 6.xml │ │ │ │ ├── 7.xml │ │ │ │ ├── 8.xml │ │ │ │ └── 9.xml │ │ │ ├── JPEGImages │ │ │ │ ├── 1.jpg │ │ │ │ ├── 2.jpg

下载yolov5需要的版本

在github网站搜索yolov5 直达网址:https://github.com/ultralytics/yolov5点击图中:+ 7 releases 进行选择版本 滚轮下面寻找自己需要的版本 在对应版本下面选择自己需要的与训练权重文件 选择预训练权重 下载源码方式,可以在这里直接下载压缩文件。 点击版本 选择源码版本 git格式: git clone 地址例如:yolov5-6.0版本...

雪剑封心 1万+

Keil AC6编译器独立安装与配置指南:不升级Keil MDK也能用上新工具链

本文详细介绍了如何在不升级Keil MDK的情况下独立安装和配置Arm Compiler 6(AC6),帮助嵌入式开发者充分利用AC6的编译速度、代码密度和现代语言支持优势。通过零侵入式解决方案,开发者可以在现有环境中灵活切换编译器版本,提升开发效率。

weixin_30872157的博客 559

DisplayPort 1.4扰码原理与16位并行LFSR实现

DisplayPort物理层信号完整性依赖于数据扰码技术,其本质是通过线性反馈移位寄存器(LFSR)对传输数据进行伪随机化处理,以改善频谱分布、抑制低频能量堆积、提升时钟恢复能力并降低EMI辐射。该技术广泛应用于高速串行接口如DP、PCIe和USB,核心在于确定性伪随机序列生成与收发端同步。DisplayPort 1.4强制要求符合ANSI X3.230标准的16级LFSR,并在8b/10b编码后执行扰码;而传统串行实现难以满足21.6Gbps速率下的时序约束,必须采用并行展开结构——将16拍移位压缩为单周

weixin_29192211的博客 315

下载配置yolo5源码

首先你已经安装好训练基础环境,如果没有安装,先安装好基础环境:配置安装Anaconda+CUDA+Pytorn+PyCharm

WanguideShenghuo的博客 2520

零基础教程:用Python给试卷照片自动切题(有道OCR+PIL完整流程)

本文为零基础用户提供了一套完整的Python自动化切题方案。通过调用有道OCR API识别试卷照片中的题目坐标,并利用PIL库进行精准裁剪,将杂乱的试卷图片自动分割为独立的题目图像。教程详细涵盖了环境搭建、图像预处理、API调用、坐标解析与批量处理全流程,帮助教育工作者和技术爱好者高效处理大量试卷,实现工作流程自动化。

grpc6streamer的博客 1178

YOLOv5桌面应用开发,手把手教学实操(中)——附源代码

关注并星标从此不迷路计算机视觉研究院公众号ID|ComputerVisionGzq学习群|扫码在主页获取加入方式今天分享的内容来自CSDN——成都_小吴,该同学撰写的一篇关于Yolov5桌...

gzq0723的博客 3451

Unity插件UniWebView实战:UGUI动态调整内嵌网页尺寸与交互优化

本文详细解析了如何在Unity游戏中使用UniWebView插件实现内嵌网页的动态尺寸适配与深度交互。核心在于利用Reference Rect Transform属性,将网页窗口精准绑定至UGUI控件,并随其动态调整。文章进一步探讨了通过消息系统与JavaScript执行实现Unity与网页的双向通信,并提供了加载优化、过渡动画及事件拦截等实用技巧,助力开发者打造无缝、流畅的游戏内网页体验。

earth的博客 278

基于迁移学习的花卉识别系统

本研究采用了预训练的经典深度学习模型,包括ResNet、AlexNet和VGG,通过微调的方式在Oxford-102数据集和一个自制花卉数据集上进行训练,并对图像进行了多种数据增强操作,以提高模型的泛化能力,致力于实现花卉的高效分类。

m0_71146337的博客 2379

YOLOv5桌面应用开发,手把手教学实操(下)完结——附源代码

关注并星标从此不迷路计算机视觉研究院公众号ID|ComputerVisionGzq学习群|扫码在主页获取加入方式今天分享的内容来自CSDN——成都_小吴,该同学撰写的一篇关于Yolov5桌...

gzq0723的博客 4209

piamon实战-- 如何使用 Paimon 的 Java API 实现数据的点查

点查(Point Lookup)是指通过 ​​唯一键(Primary Key)​​ 快速定位并返回单条或少量数据的查询模式。例如:根据用户 ID 查询用户信息、根据订单号查询订单详情等。点查的核心诉求是 ​​低延迟​​ 和 ​​高吞吐​​,适用于实时风控、在线分析等场景。​​定义主键表结构​​,优化数据分布。​​构建过滤条件​​,使用指定查询键。​​执行查询并处理结果​​,结合流式更新实现实时查询。

阿华田的博客 538

YOLOv5桌面应用开发(从零开始)

本此博客也是本人的第一篇文章,有写得不好的地方希望大家多多指点! 废话不多说直接上干货;本文主要讲解几个部分,(适合一些在读的研究生啥也不会然后接到一些项目无从下手,如果是大佬的话就可以跳过了) (1)yolov5的训练 (2)yolov5的界面开发(Pyqt5) (3)将整个项目打包成EXE 一.yolov5的训练: 很多做深度学习的伙伴肯定有跑过一些网上的目标检测开源项目,比如yolo系列,我跑过YOLOv4(VS编译进行对于我这个小白来说比较麻烦),还是YOLOv5使用pycharm在py

qq_52859223的博客 1万+

如何理解S参数的三大特性

提到S参数的时候经常会涉及一些概念,如无源性、因果性、互易性等,本文逐一介绍这些特性的概念、成因以及判断方式。

一只豌豆象的博客 4504

提示词编写:从新手到专家的进阶之路

本文旨在为提示词编写者提供一条从新手到专家的进阶之路。我们将详细探讨提示词编写的背景与意义、基础与进阶技巧、实战应用以及最佳实践。通过逐步深入的分析与实操,读者将掌握提示词编写的核心要点,提高编写效率和作品质量。提示词是用于引导人工智能生成文本的关键词或短语,它包含了作者想要传达的主题、情感和细节。随着人工智能技术的普及,自动化写作工具逐渐应用于各行各业。为了提高写作效率,项目团队决定开发一款基于人工智能的自动化写作工具。成功开发了一款自动化写作工具,生成文本质量较高。

AI天才研究院 1087

YOLOv5如何进行区域目标检测(手把手教学)

手把手教学yolov5进行区域目标检测

qq_39740357的博客 3万+

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

YoloV5实战:手把手教物体检测——YoloV5

YOLOV5严格意义上说并不是YOLO的第五个版本,因为它并没有得到YOLO之父Joe Redmon的认可,但是给出的测试数据总体表现还是不错。详细数据如下:YOLOv5并不是一个单独的模型,而是一个模型家族,包括了YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x、YOLOv5x+TTA,这点有点儿像EfficientDet。由于没有找到V5的论文,我们也只能从代码去学习它。总体上和YOLOV4差不多,可以认为是YOLOV5的加强版。

AI浩 4万+

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

YOLOV5通道剪枝【附代码】

之前的博客中已经实现了YOLOv4、YOLOR、YOLOX的剪枝,经过了几天的辛勤努力,终于实现了YOLOv5的剪枝。

z240626191s的博客 1万+

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

【YOLOv5实战5】基于YOLOv5的交通标志识别系统-YOLOv5整合PyQt5

【YOLOv5实战5】基于YOLOv5的交通标志识别系统-YOLOv5整合PyQt5

每天进步一点丶的博客 6152

【大作业-13】手把手教你使用YOLOV5做麦穗计数

小麦是世界上种植地域最广、面积最大及产量最多的粮食作物,2021年世界小麦使用量达到7.54亿吨。小麦产量的及时预估对作物生产、粮食价格及粮食安全产生重大影响,单位面积穗数是小麦产量预估研究中的难点及重中之重。当前,人工估产方法依据专家目测估计产量,准确率得不到保证。取样估产方法通过采集部分区域,进行人工计数、称重,费时费力。随着计算机视觉技术的发展,大量研究致力于统计单幅图像中麦穗数进而实现估产,此类研究利用卷积神经网络强大的特征自学习能力,对麦穗进行特征提取,通过大量数据训练模型,进而成功实现对图像中麦

dejahu的博客 8750
上一篇: YOLOv5桌面应用开发,手把手教学实操(中)——附源代码
下一篇: YOLOv5桌面应用开发,手把手教学实操(下)完结——附源代码
计算机视觉研究院
博客等级 码龄15年 5952粉丝 990原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

计算机视觉研究院

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值