Pycharm+Anaconda+yolov5-5.0部署（手把手教+解决一些运行过程中的问题+最全部署yolov5）

网盘链接：https://pan.baidu.com/s/1jM5u2ymsTcw6gUJpXGVpzg?pwd=5gn2
提取码：5gn2

ps：我写这篇文章也挺耗时的，希望各位兄弟姐妹们，不要吝啬您的关注，谢谢。

一.在pycharm打开克隆后的yolov5-5.0的项目

ps：直接打开解压后的文件夹拖拽到pycharm即可！
ps：看不懂的可以把pycharm进行汉化，不丢人的，比如我 😦
结果如下图所示：

二.配置pycharm的解释器

1.依次打开: 文件->设置->项目->python解释器

结果如下图所示

这我用的是上一篇文章中配置好的conda环境，不会配置的我把链接放在下面

配置conda环境的链接：https://blog.csdn.net

2.打开配置好的deeplearn学习环境

1.单击添加解释器->单击添加本地解释器

2.单击【现有】

3.单击【…】

4.依次选择 自己安装anaconda 的位置->envs->deeplearn（deeplearn是配置conda环境时，自己创建的深度学习的环境）->python.exe, 点击确定即可！

5.依次保存退出即可！

三.安装运行yolov5所需的包！

1.一般打开这个文件，此时都会出现这个提示，提示你需要安装相应的包，点击【安装要求】，然后耐心等待即可。

2.如果不出来黄色提示的话，打开pycharm的终端，输入pip install -r requirements.txt，然后回车即可！

ps：一般的话，都不会一次安装成功，出来依次提示，点击一次，多点几次【安装要求】就好了！
ps：这个方法一般比较慢，耗时可能有点长，多点几次，耐心等待即可！

pip install -r requirements.txt

2.接下来提供一种新的安装方法。

下图便是安装所需的包，大家首先对pycharm进行换源操作。

1.对pycharm软件源进行换源，打开【python软件包】

2.点击设置图标

3.点击【+】

4.复制下述地址地址粘贴即可（选其一or都粘贴都行）！

 https://pypi.tuna.tsinghua.edu.cn/simple #清华
 http://pypi.douban.com/simple/ #豆瓣
 http://mirrors.aliyun.com/pypi/simple/ # 阿里云

ps：以后安装什么包，直接选择国内的源进行安装可以提高速度！

5.打开终端输入下述代码，这个是直接指定了镜像源，-i …，前面换源操作有安装失败的可以直接在软件包下载即可！

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

6.耐心等待安装即可！

ps：如果有未安装成功的，可以多试几遍，或者直接在python软件包里面搜索进行安装。

7.软件包进行安装：提示有未安装的包，如下。

8.打开文件->设置->项目->python解释器，点击【+】，如下图，切记不要选择conda的包管理器，就是+号旁边的绿色按钮。

9.搜索包名，选择国内源安装即可。

ps：不出现国内源，点击刷新等待即可！

10.安装成功即可，如下图所示，其它包同理即可！

至此相关的一切都已经ok了！

四.解决一些运行yolov5出现的一些问题

1.打开weights文件夹下的 detect.py，右键点击运行。

2.出现问题【subprocess.CalledProcessError: Command ‘pip install ‘protobuf<3.20,>=3.9.2’’ returned non-zero exit status 1.】

** 解决办法 **

1.这是因为protobuf版本不符合，打开软件包，发现protobuf版本为3.20.3，恰好太高

2.搜索protobuf，并指定版本，并安装软件包即可，如下图所示。

3.再次点击运行，发现该错误已解决！

3.出现问题【AttributeError: Can’t get attribute ‘SPPF’ on <module ‘models.common’ from ‘D:\Users\xxxxx\Desktop\yolov5-5.0_配置\models\common.py’>】

** 解决办法 **

1.按照提示找到：models->common.py

2.找到SPPF，在common的149行
3.在上面复制粘贴，如下图

class SPPF(nn.Module):
  # Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocher
  def __init__(self, c1, c2, k=5):  # equivalent to SPP(k=(5, 9, 13))
    super().__init__()
    c_ = c1 // 2  # hidden channels
    self.cv1 = Conv(c1, c_, 1, 1)
    self.cv2 = Conv(c_ * 4, c2, 1, 1)
    self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2)

  def forward(self, x):
    x = self.cv1(x)
    with warnings.catch_warnings():
      warnings.simplefilter('ignore')  # suppress torch 1.9.0 max_pool2d() warning
      y1 = self.m(x)
      y2 = self.m(y1)
      return self.cv2(torch.cat([x, y1, y2, self.m(y2)], 1))

4.接着在最上面导入import warnings，如下图：

import warnings

5.再次运行detect.py

4.出现问题【AttributeError: ‘Upsample’ object has no attribute ‘recompute_scale_factor’】

** 解决方法 **

1.直接点击下图选框中的错误提示，或按照文件提示路径找到该文件：

2.记住下述结果。

3.发现在154行，删除（or注销）154行代码，并在153行末尾，删除逗号，添加英文半角下的”)”,括号，如下图

recompute_scale_factor=self.recompute_scale_factor)

4.再次运行detect.py

5.出现问题【RuntimeError: The size of tensor a (80) must match the size of tensor b (56) at non-singleton dimension 3】

** 解决方法 **

1.这是因为下载的权重文件不匹配导致的。
2.下载相对应的权重文件即可
3.下载网址
4.可能有小伙伴网址打不开，别着急，权重文件我放在资源里，可以到时候直接下载。
5.下载完成后复制粘贴进来即可！
5.1首先点击最大的文件夹，【yolov5-5.0，…】，如下图：

5.2 Ctrl+v 即可，如下图，切记目录不能出错。

5.3点击覆盖即可！

6.出现问题【NotImplementedError: Could not run ‘torchvision::nms’ with arguments from the ‘CUDA’ backend. 】

** 问题截图 **

** 解决方法 **

ps：这是我参考另一位博主的，链接放这
ps: 衷心的感谢这位博主！
1.单击下述这行代码，如图

2.在开头导入模块

import my_nms

如下图

3.在下面粘贴这行代码，如下图：

return my_nms.nms(boxes,scores,iou_threshold)

4.同插入yolov5s.pt文件一样，新建一个py文件，里面代码为：

from torch import Tensor
import torch
 
 
def box_area(boxes: Tensor) -> Tensor:
    """
    Computes the area of a set of bounding boxes, which are specified by its
    (x1, y1, x2, y2) coordinates.
    Arguments:
        boxes (Tensor[N, 4]): boxes for which the area will be computed. They
            are expected to be in (x1, y1, x2, y2) format
    Returns:
        area (Tensor[N]): area for each box
    """
    return (boxes[:, 2] - boxes[:, 0]) * (boxes[:, 3] - boxes[:, 1])
 
 
def box_iou(boxes1: Tensor, boxes2: Tensor) -> Tensor:
    """
    Return intersection-over-union (Jaccard index) of boxes.
    Both sets of boxes are expected to be in (x1, y1, x2, y2) format.
    Arguments:
        boxes1 (Tensor[N, 4])
        boxes2 (Tensor[M, 4])
    Returns:
        iou (Tensor[N, M]): the NxM matrix containing the pairwise IoU values for every element in boxes1 and boxes2
    """
    area1 = box_area(boxes1)  # 每个框的面积 (N,)
    area2 = box_area(boxes2)  # (M,)
 
    lt = torch.max(boxes1[:, None, :2], boxes2[:, :2])  # [N,M,2] # N中一个和M个比较； 所以由N，M 个
    rb = torch.min(boxes1[:, None, 2:], boxes2[:, 2:])  # [N,M,2]
 
    wh = (rb - lt).clamp(min=0)  # [N,M,2]  #小于0的为0  clamp 钳；夹钳；
    inter = wh[:, :, 0] * wh[:, :, 1]  # [N,M]
 
    iou = inter / (area1[:, None] + area2 - inter)
    return iou  # NxM， boxes1中每个框和boxes2中每个框的IoU值；
 
 
def nms(boxes: Tensor, scores: Tensor, iou_threshold: float):
    """
    :param boxes: [N, 4]， 此处传进来的框，是经过筛选（NMS之前选取过得分TopK）之后， 在传入之前处理好的；
    :param scores: [N]
    :param iou_threshold: 0.7
    :return:
    """
    keep = []  # 最终保留的结果， 在boxes中对应的索引；
    idxs = scores.argsort()  # 值从小到大的 索引
    while idxs.numel() > 0:  # 循环直到null； numel()： 数组元素个数
        # 得分最大框对应的索引, 以及对应的坐标
        max_score_index = idxs[-1]
        max_score_box = boxes[max_score_index][None, :]  # [1, 4]
        keep.append(max_score_index)
        if idxs.size(0) == 1:  # 就剩余一个框了；
            break
        idxs = idxs[:-1]  # 将得分最大框 从索引中删除； 剩余索引对应的框 和 得分最大框 计算IoU；
        other_boxes = boxes[idxs]  # [?, 4]
        ious = box_iou(max_score_box, other_boxes)  # 一个框和其余框比较 1XM
        idxs = idxs[ious[0] <= iou_threshold]
 
    keep = idxs.new(keep)  # Tensor
    return keep

ps : my_nms.py位置如图：

五.运行detect.py，发现运行成功

找到保存的运行结果成功的位置。