本文介绍了如何搭建yolov5目标检测代码的环境，详细记录了python虚拟环境、安装pytorch、加载yolov5项目以及运行检测程序的全过程。

完成了本文的yolov5项目搭建后，可以查看本文下一篇文章：使用yolov5训练自己的数据集并测试。

一、安装Python虚拟环境

1、首先在所在系统中安装Anaconda。可以打开命令行输入conda -V检验是否安装以及当前conda的版本。

2、使用 conda create -n your_env_name python=X.X（2.7、3.6等)命令创建python版本为X.X、名字为your_env_name的虚拟环境。your_env_name文件可以在Anaconda安装目录envs文件下找到。

我用的指令是：

conda create -n py37_torch python=3.7

安装之前可能提示你需要更新conda版本，这个并不影响

安装过程中需要输入Y确认下载

3、安装好后会提示你激活环境的指令，我们可能会根据需要创建不同的虚拟环境，每个环境对应不同的名称，所以在对环境中的包进行更新或删除之前需要激活该环境，激活方式为：

activate py37_torch

图中命令前面的环境名称变成了py37_torch，表示已经成功进入了该环境。可以输入conda list查看当前环境python版本以及已有的包

此时进行安装和删除包的操作都是对该环境进行的。例如我们需要安装matplotlib，输入：

pip install matplotlib

关闭当前环境，输入：

deactivate

二、安装Pytorch

1、首先查看电脑已有的CUDA版本，输入nvcc –version（当前环境下查看或者打开CMD查看都可以）

去pytorch查看cuda对应的pytorch版本

https://pytorch.org/get-started/previous-versions/

我选择的是torch1.2.0版本，由于在线安装网速不行，一般我选择离线安装的方式，首先在下面的网站中下载对应版本的whl文件，需要下载对应的torch1.2.0和torchvision0.4.0

https://download.pytorch.org/whl/torch_stable.html

这里需要注意，cuda10.0对应的torch版本很多都只支持到python3.7，所以在选择版本之前还需要把python版本结合起来（我之前用的python3.8版本的就发现没有对应安装文件）

2、下载好后，定位到下载目录：

cd C:\Users\suda\Downloads

输入安装命令：

pip install torch-1.2.0-cp37-cp37m-win_amd64.whl

pip install torchvision-0.4.0-cp37-cp37m-win_amd64.whl

3、安装过程中会自动下载其它依赖包，如果网速慢可以提前离线下载对应依赖包的whl文件，采用上述方式安装，这样在安装过程中就会跳过已安装的包。例如我这里安装numpy，显示需要7个小时，

去Pypi网站（https://pypi.org/project）下载对应的版本（直接百度搜索numpy下载即可跳出Pypi网站，有一些安装包也可在清华镜像里下载），下载仅需几秒

4、检查是否安装成功：

命令行输入python

依次引用

import torch

import torchvision

print(torch.cuda.is_available())

中间没有任何报错并且最终输出为True说明安装成功了（在import torchvision可能会报错ImportError: cannot import name 'PILLOW_VERSION' from 'PIL'，解决方法见我另一篇博文）

三、运行Yolov5

1、Yolov5项目地址：

https://github.com/ultralytics/yolov5

也可以直接下载gitcode里的，下载速度更快：

https://gitcode.net/mirrors/ultralytics/yolov5?utm_source=csdn_github_accelerator#

2、在Pycharm中加载环境

Pycharm新建项目，选择Yolov5项目文件，然后按照下图所示配置环境，选择刚刚装好的py37_torch。

选择虚拟环境的python.exe，文件位置在下图红框所示位置，Anaconda3前面是用户目录。

四、运行Yolov5

1、检测图片

在项目下面下载了yolov5s.pt模型文件，放到models文件夹下，并且修改了detect.py程序中对应的路径，第二个参数为需要检测的图片的路径

直接运行detect.py，将会检测data/images中的图片，检测结果：

2、调用摄像头实时检测

将第二个参数改为0则调用电脑自带摄像头

检测效果：