【计算机视觉开发（一）】： yolov5与python环境安装
前言：
最近正在学习计算机视觉开发这块，打算开通一个专栏记录学习总结以及遇到的问题汇总。本篇是这个系列的第一篇，主要是环境安装以及yolov5的介绍。
关于计算机视觉：
计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。这里所指的信息指Shannon定义的，可以用来帮助做一个“决定”的信息。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。
yolov5
背景
综上所述，在计算机视觉开发中，让机器能看到和按开发者的思想给它看到的这个过程就显得比较重要了，那么yolov5 就是帮助我们实现这个的一个利器。当然，还有其他的，本文主要介绍YOLOv5。
关于YOLOv5
参考:tolov5的介绍
YOLOv5(You Only Look Once version 5)是一种目标检测模型，用于在视频或图像中识别和定位物体。它是YOLO(You Only Look Once)算法的最新版本，在YOLOv4的基础上进行了改进。
YOLOv5是一种端到端的深度学习模型，可以直接从原始图像中检测和定位目标。它使用卷积神经网络(CNN)来学习图像中物体的特征，并使用多尺度预测和网格分割来检测和定位目标。YOLOv5的优势在于它可以在高速运行，并且可以在不同的图像分辨率上很好地工作。
运用场景
总的来说，YOLOv5是一种高效的目标检测模型，可以应用于许多不同的场景，包括自动驾驶，机器人感知，图像分析等。
使用目标
简单来说，我们的目的就是通过利用yolov5的算法以及训练好的模型来实现目标检测的目的。
环境安装
Python 环境
Pycharm下载地址 ：https://www.jetbrains.com/pycharm/
环境配置教程参考:Python 环境安装教程
Anaconda 环境
Anaconda 介绍
Anaconda 是为方便使用 Python 而建立的软件包，其包含250多个工具包，多版本的 Python 解释器和强大的虚拟环境工具，所以 Anaconda 是 Python 的全家桶。Anaconda 可以使安装，运行和升级环境变得更简单，所以初步学习 Python ，这一个就足够了。
下载 Anaconda
Anaconda 官网下载安装包，注意操作环境，我这里是 wind10 64位。
官网下载地址:https://www.anaconda.com/download/
安装
双击安装包，点击下一步、同意、选择安装位置进行安装
安装成功验证
win键 + R键, 打开cmd后，输入命令conda,回车后出现版本号即安装成功！
验证失败
上一步如果提示conda不是一个命令，但是程序安装完成了，那就检查一下环境变量是否配置。
我的电脑>>属性>>高级系统设置>>环境变量>>path。如果没有，找到Anaconda的安装地址,如:E:\anaconda3\Library\bin添加进去，重新执行上述步骤即可。
新建虚拟环境
cmd命令输入:
conda create -n your_env_name python=x.x #例如 conda create -n yolov5 python=3.11.1不知道自己的python版本，cmd 输入 python -V
进入(激活)虚拟环境
激活虚拟环境（激活后，第三库将会安装在该虚拟环境下，方便管理）
conda activate your_env_name #例如 conda activate yolov5
Yolov5 下载安装
git克隆或直接下载
在下载配置 Yolov5 之前，需要先安装好 Anaconda 环境，新建虚拟环境，并进入
github地址: https://github.com/ultralytics/yolov5
git 命令git clone https://github.com/ultralytics/yolov5
通过pycharm下载
方式不多赘述，使用git拉取代码。
代码目录
这是下载下来的文件
安装依赖
cmd命令进入 yolov5的安装目录
例如：cd yolov5
然后执行pip install -r requirement.txt等待安装完成即可。
国外源慢的话 建议使用清华源:pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
预训练模型下载
我们刚开始测试学习可以直接使用官方准备的训练模型使用。
下载地址: https://github.com/ultralytics/yolov5/releases
模型作用
可以让机器准确的识别我们提供的目标
使用
如图所示，官方提供了5种模型，大一点的模型比如YOLOv5l和YOLOv5x参数更多，在大规模的COCO数据集上有更高的预测准确率；而小模型比如YOLOv5n或YOLOv5s占空间更小，适合部署在移动设备上，且推理速度更快，适合于高帧率视频的实时检测。
我们演示都是基于 YOLOv5s。
将下载后的模型放在 yolov5 项目文件夹下。
到这里，Yolov5基础环境就安装完成。
图片测试
保持cmd进入虚拟环境，cd进入yolov5目录,然后在
data>>images中放入自己的图片
然后输入命令：python detect.py --source ./data/images/1.jpg
出现以下类似结果，按返回路径去看结果
欧克，基础功能已经实现。
总结
本篇主要是入门的环境安装以及图片识别测试，还有一些进阶的视频识别以及遇到的坑还没有及时补充。
下期预告【1、补充基础环境安装 2、视频、以及摄像头监测 3、遇到的一些问题以及解决办法】
感谢观看，有错误的地方多多指正。
