### YOLOv5环境配置教程 #### PyCharm 集成与环境配置 为了在 Windows 上通过 PyCharm 进行 YOLOv5 的模型训练，需按照以下方式设置开发环境： 1. **安装 Python 和依赖库** 确保已安装适用于 Windows 的 Python 版本（建议使用 3.8 或更高版本）。可以通过官方渠道下载并安装 Python。随后，在命令行运行 `pip install torch torchvision torchaudio` 安装 PyTorch 及其相关组件[^2]。 2. **克隆 YOLOv5 仓库** 使用 Git 将 YOLOv5 源码克隆到本地目录： ```bash git clone https://github.com/ultralytics/yolov5.git cd yolov5 ``` 3. **创建虚拟环境** 推荐为项目单独创建一个虚拟环境以隔离依赖项： ```bash python -m venv yolov5_env yolov5_env\Scripts\activate pip install -r requirements.txt ``` 4. **PyCharm 设置解释器** 打开 PyCharm 并导入 YOLOv5 项目文件夹作为新工程。导航至 `File -> Settings -> Project: yolov5 -> Python Interpreter`，选择之前创建的虚拟环境路径[^1]。 --- #### 数据标注工具集成 数据标注是机器学习任务中的重要环节之一，以下是具体操作指南： 1. **安装 LabelImg 工具** LabelImg 是一款轻量级的数据标注工具，支持多种格式导出标注结果。可以利用 pip 命令快速安装： ```bash pip install labelimg ``` 2. **启动 LabelImg** 在终端输入以下指令即可打开图形化界面： ```bash labelImg ``` 3. **加载图片集** 导航至目标图像所在的文件夹，并指定保存标注文件的位置。LabelImg 默认采用 Pascal VOC XML 格式存储标注信息；如果需要转换为 COCO JSON 格式的标注，则可借助脚本实现自动化处理[^1]。 4. **调整标注参数适配 YOLOv5 输入需求** 修改生成的 `.txt` 文件内容结构使其满足 YOLOv5 对象检测框架的要求，即每行为 `[class_id, x_center_norm, y_center_norm, width_norm, height_norm]` 形式表示边界框位置及类别索引[^2]。 --- ```python import os def convert_label_to_yolo_format(label_dir, output_dir): """ 脚本示例：将标准标注文件转化为YOLO所需的格式。 :param label_dir: 存放原始label文件的路径 :param output_dir: 输出转化后的yolo format txt文件的目标路径 """ if not os.path.exists(output_dir): os.makedirs(output_dir) for filename in os.listdir(label_dir): with open(os.path.join(label_dir, filename), 'r') as f_in: lines = f_in.readlines() converted_lines = [] for line in lines: parts = line.strip().split(' ') class_id = int(parts[0]) x_min, y_min, box_width, box_height = map(float, parts[1:]) # 计算中心坐标及其归一化的宽度高度 x_center = (x_min + box_width / 2) / image_width y_center = (y_min + box_height / 2) / image_height norm_box_width = box_width / image_width norm_box_height = box_height / image_height new_line = f"{class_id} {x_center:.6f} {y_center:.6f} {norm_box_width:.6f} {norm_box_height:.6f}\n" converted_lines.append(new_line) with open(os.path.join(output_dir, filename), 'w') as f_out: f_out.writelines(converted_lines) ``` --- #### 测试与验证 完成以上步骤之后，可以在 PyCharm 中执行如下代码片段来确认整个工作流是否正常运作： ```python from yolov5 import train if __name__ == "__main__": train.run(imgsz=640, batch_size=16, epochs=50, data="path/to/data.yaml", weights="yolov5s.pt") ``` 此段程序调用了预定义好的训练函数接口，传入必要的超参以及自定义数据描述文档地址[^1]。 ---