学习前言

在完成仓库的下载与打开后，下一步就要开始使用这个仓库了，使用仓库的要求并不高，一般只需要按环境配置好，然后按照Readme运行就可以了。

使用一个深度学习仓库

一般来讲，使用深度学习仓库包含三个部分，第一部分是环境配置，第二部分是训练，第三部分是预测。

一、环境配置

环境配置部分需要仓库提供者提供使用的环境，有些开发者会提供这个requirements.txt，有些开发者可能只在Readme里面简单提及，各位同学在下载库的时候就要注意。

1、仓库包含requirements.txt

如果开发者提供了requirements.txt，事情就会变得简单起来。requirements.txt里面包括了所需要用到的python库，以YoloV5为例，它提供的requirements.txt是这样的。https://github.com/ultralytics/yolov5

如果各位想使用YoloV5的官方库的话，就直接利用pip来安装这个requirements就可以了。YoloV5提供的步骤是这样的。

git clone https://github.com/ultralytics/yolov5  # clone
cd yolov5
pip install -r requirements.txt  # install

利用pip install -r就可以直接安装requirements.txt。

由于深度学习需要考虑CUDA和CUDNN的版本，各位在安装前需要注意配置所需的CUDA和CUDNN呀，不可一味只是配置python库，系统的深度学习环境同样重要，这个地方只能靠各位百度或者Google了。

2、仓库不包含requirements.txt

如果开发者不提供requirements.txt，事情会变得稍微复杂起来，不过大多数开发者还是会比较良心的在Readme里面写好所需要的环境，以qqwweee的keras-yolo3库为例，尽管它没有提供requirements.txt，但在Readme的最下部分提供了所需要的最重要的环境。
https://github.com/qqwweee/keras-yolo3

这种库就需要各位自己耐心去寻找了，没有定式了，找到所需的必要环境后，就去百度或者Google，寻找对应的环境配置教程进行安装即可，中间不免会踩坑，所以要多查查。

如果开发者不提供requirements.txt，也不在Readme里提供环境，那这个库的开发者一般比较不靠谱（虽然我曾经也是这样…不过现在基本上都提供了）。新手的话，我的建议是放弃这个库，多搜搜，同一个模型一般会有多个复现，看看别人的吧。老手的话，可以自己看看~

二、训练

1、训练通用数据集

训练部分其实主要也是看Readme，Readme一般会有个上手指南，关键词一般是train，需要搜一下。如果没有上手指南，那么还是同样的话，这个库的开发者一般比较不靠谱。新手的话，我的建议是放弃这个库。

还是以YoloV5为例，它提供的训练的方案。https://github.com/ultralytics/yolov5。
训练其实只需要这样一个指令，这个指令运行后，如果环境配置无误，应该会自动下载数据集并且开始训练。但由于都是自动配置，可能并不适合本身。熟悉仓库后可以尝试进行修改，不熟悉的话建议还是按默认来。

python train.py --data coco.yaml --cfg yolov5n.yaml --weights '' --batch-size 128
                                       yolov5s                                64
                                       yolov5m                                40
                                       yolov5l                                24
                                       yolov5x                                16

YoloV5的自动化程度很高，只需要配置好环境，基本上运行就没什么压力了。

以我提供的仓库为例，自动化程度就没有YoloV5官方库来的高，以我提供的YoloV4为例，https://github.com/bubbliiiing/yolov4-pytorch，就需要自己下载训练集，然后按照训练步骤进行。


这两种方式有利有弊，各位自己斟酌就好。

2、训练自己的数据集

训练自己的数据集的话，其实主要也是看Readme，Readme一般会有个上手指南，关键词一般还是train，需要搜一下。如果没有上手指南，那么还是同样的话，这个库的开发者一般比较不靠谱。新手的话，我的建议是放弃这个库。

还是以YoloV5为例，它提供了训练自己数据集的方案。https://github.com/ultralytics/yolov5。图上的Train Custom Data 就是训练自定义数据集。它给的训练过程非常齐全，按步骤走就能完成训练。


YoloV5的自动化程度很高，且Readme非常齐全，使用起来还是很简单的。

以我提供的仓库为例，自动化程度就没有YoloV5官方库来的高，步骤没有YoloV5来的齐全，可以结合视频进行标注与训练。

三、预测

预测部分其实主要也是看Readme，Readme一般会有个上手指南，关键词一般是predict或者Inference（当然也有别的，比如detect、image等），需要搜一下。如果没有上手指南，那么还是同样的话，这个库的开发者一般比较不靠谱。新手的话，我的建议是放弃这个库。

还是以YoloV5为例，它提供预测的方案。https://github.com/ultralytics/yolov5。预测同样只需要一个指令

python detect.py --source 0  # webcam
                          img.jpg  # image
                          vid.mp4  # video
                          path/  # directory
                          path/*.jpg  # glob
                          'https://youtu.be/Zgi9g1ksQHc'  # YouTube
                          'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream

还是非常容易理解的。

YoloV5的自动化程度很高，只需要配置好环境，基本上运行就没什么压力了。

以我提供的仓库为例，自动化程度就没有YoloV5官方库来的高，以我提供的YoloV4为例，https://github.com/bubbliiiing/yolov4-pytorch，就需要自己下载权值，然后运行predict.py进行预测。

总结

对于Github上的仓库而言，Readme绝对是非常重要的，毕竟人家的名字就叫做 看我。那为什么不看它呢，好好阅读Readme，有利于各位使用各种深度学习仓库。

当然使用别人的是轻松的，如果各位自己上传深度学习仓库的话，也要写好Readme呢。