yolov5环境搭建指南：从Python版本到依赖包安装

本文主要介绍了如何在Ubuntu系统上搭建YOLOv5（版本v6.0）的开发环境，这是一款基于PyTorch的实时目标检测框架。首先，确保Python版本符合要求，至少是Python 3.6.0及以上，可以通过`python3 -m pip --version`检查。如果未安装或版本过低，可以使用`sudo apt-get install python3-pip`进行安装，并更新到最新版本。 在安装Python依赖包之前，我们不建议直接使用`pip install -r requirements.txt`，因为GitHub主页推荐的方式可能不适用于所有情况。相反，作者推荐直接查看requirements.txt文件，逐个安装所需的库： 1. PyTorch：由于YOLOv5支持GPU加速，所以首先安装PyTorch GPU版本。根据文章中的指导，访问PyTorch官网下载适合的CPU版本（如torch==1.8.0），例如通过命令`pip3 install torch==1.8.0+cpu torchvision==0.9.0+cpu torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html`。 2. 其他依赖库： - `matplotlib==3.2.2`：用于数据可视化和模型分析。 - `numpy==1.18.5`：科学计算的基础库。 - `opencv-python==4.1.2.30`：计算机视觉库，用于图像处理和特征提取。 - `Pillow==7.1.2`：图像处理库，提供图像读取、操作和保存功能。 - `PyYAML==5.3.1`：用于处理YAML配置文件。 - `requests==2.23.0`：HTTP客户端库，方便网络请求。 - `scipy==1.4.1`：科学计算库，包含统计、优化等功能。 - `tqdm==4.41.0`：进度条模块，用于显示长时间运行任务的进度。 - `tensorboard==2.4.1`：TensorFlow的数据可视化工具，但YOLOv5使用的是PyTorch，这里可能需要安装TensorBoard-PyTorch。 - `pandas==1.1.4`：数据分析库，用于数据清洗和处理。 - `seaborn==0.11.0`：基于Matplotlib的数据可视化库，用于更高级别的统计图表。 以上每个库的安装都是为了支持YOLOv5模型的训练、验证和测试，确保开发过程中所有必要的工具都已安装和配置正确。按照这个顺序安装，可以避免因依赖关系问题导致的错误。完成这些步骤后，你的环境应该已经准备好用来运行YOLOv5项目了。