pycharm使用yolov5

### 如何在 PyCharm 中配置和使用 YOLOv5 进行目标检测项目开发

#### 1. 安装必要的依赖库
为了确保能够顺利运行 YOLOv5，在开始之前需确认 Python 版本不低于 3.8[^2]。接着安装所需的依赖项，可以通过 `requirements.txt` 文件来简化这一过程：

pip install -r requirements.txt

这一步骤会自动下载并安装所有必需的第三方包。

#### 2. 下载 YOLOv5 源码
访问官方 GitHub 仓库获取最新版源代码，并将其克隆到本地工作目录下：

git clone https://github.com/ultralytics/yolov5.git
cd yolov5

此操作将创建一个名为 `yolov5` 的文件夹用于存放整个项目的资源。

#### 3. 设置 PyCharm 开发环境
打开 PyCharm 后选择 "Open or Import" 导入刚刚拉取下来的 yolo v5 工程；之后设置解释器为当前虚拟环境中所使用的 Python 解释器版本，保证与前面提到的要求一致 (>=3.8)。

#### 4. 数据集准备及预处理
对于自定义的数据集来说，需要按照特定格式整理图片及其对应的标签信息。通常情况下，图像应放置于 images 文件夹内而标注则存放在 labels 路径下面。此外还需编写相应的 .yaml 配置文档描述数据分布情况。

#### 5. 修改默认参数适应具体应用场景
根据实际需求调整模型架构中的超参设定，比如输入尺寸大小、batch size 数量等。这些改动可以直接编辑 model.yaml 或者通过命令行传递给训练脚本来实现。

#### 6. 训练模型
当一切准备工作就绪后就可以启动训练环节了。如果是在云端 GPU 实例上执行，则建议先建立 Screen 会话以便长时间稳定运行任务而不受 SSH 断开影响[^3]:

screen -L -t train_yolov5 -S yolov5_train_session
sudo python3 train.py --img 640 --batch 16 --epochs 50 --data custom_dataset.yaml --weights yolov5s.pt

上述指令指定了多项重要选项如分辨率(`--img`)、批次规模(`--batch`)、迭代次数(`--epochs`)以及初始权重路径(`--weights`), 并指定要加载的数据集配置文件 (`custom_dataset.yaml`).

#### 7. 测试与评估性能
完成一轮完整的训练周期后可以利用测试集验证最终效果:

from utils.general import non_max_suppression, scale_coords
from models.experimental import attempt_load
import torch

device = 'cuda' if torch.cuda.is_available() else 'cpu'
model = attempt_load('runs/train/exp/weights/best.pt', map_location=device)

def detect(image_path):
    img = ... # 加载待测图片
    pred = model(img)[0]
    det = non_max_suppression(pred, conf_thres=0.25, iou_thres=0.45)
    
    for *xyxy, conf, cls in reversed(det[0]):
        label = f'{names[int(cls)]} {conf:.2f}'
        plot_one_box(xyxy, im0, label=label, color=colors(c))
        
detect('/path/to/test/image.jpg')

这段代码展示了如何调用已训练好的网络来进行单张照片的目标识别，并绘制边界框显示预测类别名称连同置信度得分一起输出至原图之上.