前言
自我感觉写得较为详细了，如果有不对的地方，或者报错的地方，可以私信我，我尽力提供帮助。
当然希望你是确定自己完整了阅读了这篇小博客，以及通过搜索引擎查询了相关问题，仍然没有解决的话，那么我觉得我们是可以进行交流的。
cuda部分环境的安装，没有做记录（不太好重装，下次换电脑的时候再写），当下可能还是需要各位朋友自己去准备一下，我在博客中也给出了相关的文章可供参考。
笔者此次所编写的为系列文章，涵盖了Yolov5的环境安装、项目运行、模型训练、模型识别、模型部署等一系列文章。
笔者电脑相关环境：
- Windows11
- RTX 3050，（最高支持cuda 11.7，所以我装的是11.7版本的，不装也可以跑的，可以跑CPU版本，后续有说）查询版本命令：
nvidia-smi
- anaconda版本：
conda -V（我的版本：conda 23.5.0） 安装教程参考：Anaconda超详细安装教程（Windows环境下）基本使用：anaconda下载及安装 - PyCharm 2023，这个要是也没，咱就说，还是先别看文章啦，
- Yolov5-6.1
一、项目准备
1.1、下载项目
yolov5s.pt是权重文件，后面需要用到的，先下载下来，后面直接放到项目中（也可以不下载哈，后面有命令也可以自动下载下来，不过看网速）
1.2、使用 conda 创建隔离环境
conda create -n yolov5_6.1_demo_py3.8 python=3.8
备注：-n 就是指定名称，python=3.8 就是指定python版本为3.8。
显示如上输出，则表示输出成功。
基本命令：
conda active [name] #根据环境名称激活某个环境 conda deactivate [name] #根据环境名称退出某个环境 conda env list # env list
补充：第一张图使用的是windows powershell，但是发现激活后，没环境前缀，又换回到cmd啦，成果激活会显示环境名称的前缀。
1.3、使用 PyCharm 打开下载的项目
备注：解压后，我修改了项目文件夹名称。
使用 PyCharm 打开项目时，会弹出一个创建虚拟环境的窗口，点击取消
因为我们此前已经使用conda创建了一个隔离环境啦。
打开设置，添加我们之前创建的环境：
后面就是点击ok，点击应用。
成功的话， pycharm的右下角会显示你选中的环境。
1.4、下载依赖
pip install -r requirements.txt # install pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
网好随意，下面的命令是指定了豆瓣的镜像源，相对友好些。下载失败的话，多试几次就好。
显示如上图的输出，则是下载完成，如果失败，可重试几次。
二、项目运行
根据上面的步骤，基本环境应该是没啥问题啦吧，真要有，真没法啦，把能写的都写啦，完全是教小白啦。
想必大家看过yolov5，必然是见过下面这张图的。
下面就来看看如何识别吧。（关于项目基础结构和代码，后续会谈到的，目前重点是先跑起来）
2.1、运行 detect.py 代码
python detect.py --source 0 # webcam img.jpg # image vid.mp4 # video path/ # directory path/*.jpg # glob '<https://youtu.be/Zgi9g1ksQHc>' # YouTube 'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream python detect.py --source data/images/zidane.jpg # 如果是这么运行的话，它会自己去下载那个yolovs.pt 文件，也可以我们自己直接下好，放进项目中 
执行这条命令的时候会自动下载 yolov5.pt 文件，网速好，随意，不然我建议先下载，免得搁这卡好一会。（亲测，无梯子时，网速感人）
可以一早下好，然后放进项目中，指定权重文件
python detect.py --weights weights/yolov5s.pt --source data/images/zidane.jpg # --weights 就是指定 ps 权重文件的位置，path/**.pt 文件
报错解决：你看到这句话的时候，那么多半也是报错了，你放心，你要踩的坑，我这个周末全踩了一遍。
2.2、报错1：AttributeError: 'Upsample' object has no attribute 'recompute_scale_factor’
#将156、157行代码注释掉 #return F.interpolate(input, self.size, self.scale_factor, self.mode, self.align_corners, # recompute_scale_factor=self.recompute_scale_factor) #修改为： return F.interpolate(input, self.size, self.scale_factor, self.mode, self.align_corners)
浅浅的说下，没细究，这里的代码是 torch 的源码，网上大多数的说法都是不兼容问题，好奇的朋友可以去查找一番。笔者在这里没有展开篇幅啦。
补充：在这里修改的时候，选让你选择修改当前文件，还是将修改于应用于全部文件。选择this file 即可。
重新运行命令，我们可以在项目中看到，识别结果已经出来啦，yolov5s.pt 文件也被成功下载啦。
补充：不知道细节的朋友有没有看到，我标记了这里默认是使用了 CPU 来进行识别，我们通常都会说，跑xxx算法，要用到GPU才会更快，更xxx样，那么我们该如何修改成使用GPU来进行识别呢？对啦， 这里的原因又是为什么呢？
小小的demo总算是运行完成啦，接下来，来简单说一下项目的基本结构，然后再说明该如何使用GPU来进行识别，这篇文章大概率也就步入尾文了。
2.3、项目基本结构和detect.py参数解读
detect.py 文件，初次接触，我们只需要了解其中部分代码就可以，后续有什么特殊的需求，去阅读代码即可，代码阅读难度不高，细心点读就好(纯纯谈应用层面的修改，难度还好)。
别看着吓人，很多我们暂时都还用不上，这里简单陈述几个简单常用的参数。
--weights：weights 权重文件--source：为需要推理的数据来源，可以是rtsp视频流，也可以是图片，或者是本地mp4文件，如果有需求，也可以改代码，让它支持更多的。--data：data参数 数据配置，默认使用 coco128.yaml
--imgsz：训练配置图片的大小--conf-thres： 置信度阈值 默认0.25，越大标注框越少--iou-thres：交并比阈值 默认0.45，越大所得的重叠框越多--max-det：每张图片最大的目标个数 默认1000--device：设置代码执行的设备 cuda device, i.e. 0 or 0,1,2,3 or cpu--view-img：是否展示预测之后的图片或视频 默认False--save-txt：是否将预测的框坐标以txt文件格式保存 默认True 会在runs/detect/expn/labels下生成每张图片预测的txt文件--save-conf：是否保存预测每个目标的置信度到预测tx文件中 默认True--save-crop：是否需要将预测到的目标从原图中扣出来 剪切好 并保存 会在runs/detect/expn下生成--nosave：是否不要保存预测后的图片 默认False 就是默认要保存预测后的图片--classes：在nms中是否是只保留某些特定的类 默认是None 就是所有类只要满足条件都可以保留--agnostic-nms：进行nms是否也除去不同类别之间的框 默认False--augment： 预测是否也要采用数据增强 TTA--visualize：可视化特征，默认False--update：是否将optimizer从ckpt中删除 更新模型 默认False--project：当前测试结果放在哪个主文件夹下 默认runs/detect--name：当前测试结果放在run/detect下的文件名 默认是exp--exist-ok：是否存在当前文件 默认False 一般是 no exist-ok 连用 所以一般都要重新创建文件夹--line-thickness：画框的框框的线宽 默认是 3--hide-labels：画出的框框是否需要隐藏label信息 默认False--hide-conf：画出的框框是否需要隐藏conf信息 默认False--half：是否使用半精度 Float16 推理 可以缩短推理时间 但是默认是False 注意：参数含default的为默认值，可以直接在文件进行修改，那么运行时直接python detect.py也可；直接在命令行指定也可以。
含action的一般为'store_true',使用该参数则需要在命令行指定。
三、如何换成使用GPU运行项目呢？
上面已经说到了目前是使用CPU来进行图像的识别的？如果要换成GPU来进行图像的识别，该如何做呢？一步一步往下看吧。
3.1、尝试修改参数
在上面的参数说明的时候，有个--device ：设置代码执行的设备 cuda device, i.e. 0 or 0,1,2,3 or cpu，这里说的0,1,2,3就是指定哪块显卡，我看了下，这好像只会读取你电脑上的独立显卡设备。
那么我电脑上只有一块辣鸡的RTX3050显卡，那么默认就是指定为0，那么我改掉之前的命令试一试。
python detect.py --device 0 --weights weights/yolov5s.pt --source data/images/zidane.jpg
然后就会报下面这样的一个错误。
cuda不可用报错，现实没有有效的驱动可使用，让我们自己检查。
原因就是我们根本没下载这方面的依赖啦。
3.2、CUDA、cuDNN
写到这里的时候很纠结，到底要不要写安装cuda驱动部分的文章，不写有点不完整，写的话，坦白说，有点折腾。最后还是采取了曲线救国的方式，给朋友们，找了几篇可供参考的文章。
补充：pytorch 分为 cpu 版本和gpu版本，像项目中原本下载的就是非GPU版本的，所以即使不看下面的文章，也是可以正常运行的，CUDA和cuDNN都是为了加速计算而准备的
安装附带 cuda 版本的pytorch，首先需要安装nvidia cuda 驱动和cuDNN，那cuda 到底是什么呢？
CUDA：统一计算设备架构（Compute Unified Device Architecture, CUDA），是由NVIDIA推出的通用并行计算架构。解决的是用更加廉价的设备资源，实现更高效的并行计算。
NVIDIA cuDNN：是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如谷歌的Tensorflow、加州大学伯克利分校的流行caffe软件。简单的插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是简单调整性能，同时还可以在GPU上实现高性能现代并行计算。
安装CUDA和cuDNN，👉Pytorch05_torch安装(GPU版)、Cuda和cuDNN安装教程(超级详细)
3.3、下载 pytorch
下面所编写的内容，暂时默认各位小伙伴安装好了 CUDA 和 cuDNN哈（有需求以后再补充吧）
PyTorch 官网查看 pytorch 安装指令：pytorch.org/
1）在选择之前，要使用 nvidia-smi 来查看 cuda 的版本信息等，来安装相应版本的依赖
注意此处说的 CUDA Version 11.7 ，说的是最高支持到 11.7，不一定非得是这个版本。
查看CUDA runtime API的版本：nvcc -V
2）根据上面的信息，来选择相应的版本安装
选择适合自己的安装命令即可
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
会下载比较多的依赖，中间也会出现输入y/n，输入y即可。
在写后面训练自定义数据集文章时，发现在 torch 2.0.1的版本下，发现会报下面错误：
RuntimeError: result type Float can't be cast to the desired output type __int64
导致一直无法正常进行训练，主要原因还是 torch 版本的原因。
后面我降至 torch 1.10.1 ，重新安装了 torch 依赖，命令如下：
conda install pytorch==1.10.1 torchvision==0.11.2 torchaudio==0.10.1 cudatoolkit=11.3 -c pytorch -c conda-forge
补充：但是在 torch 2.0.1的版本下，运行 detect.py 是完全没问题的。如果不是需要训练自己数据集的需求，这点倒是无所谓。
3.4、验证是否安装成功
python 环境执行以下指令：
import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.backends.cudnn.version())
3.5、重新测试使用GPU识别
python detect.py --device 0 --weights weights/yolov5s.pt --source data/images/zidane.jpg
遇到报错1：ModuleNotFoundError: No module named 'chardet’
没找到哪个，那就安装谁。
pip install chardet
再测试：
从输出上可以看出，已经是使用显卡来进行工作啦。
可能会遇到的错误：AttributeError: 'Upsample' object has no attribute 'recompute_scale_factor’，还是遇到之前的这个错误，照着之前说的方式，去修改一下代码即可。
最后
写到这里的时候，本文的大部分内容已经是写完啦，从下载项目到完整的运行起项目，测试观察到效果，形成闭环。
不过这也仅仅是开端罢啦，后续的话，会继续写到如何标注自己的数据集，如何训练自定义数据集等等，以及后续会写到的如何部署等问题。
文章中如有不足，还请各位阅读的朋友，能够指正，我会及时修正和更新，非常感谢大家。
在无聊且无趣的日子里，听着音乐，独自敲着代码、文字，享受自由的孤独的周末时光。
