往期文章
RK3588+docker+YOLOv5部署：https://blog.csdn.net/FJN110/article/details/149673049
RK3588测试NPU和RKNN函数包装https://blog.csdn.net/FJN110/article/details/149669753
RK3588刷机：https://blog.csdn.net/FJN110/article/details/149669404
以及深度学习部署工程师1~31主要学习tensorRT、cmake、docker、C++基础、语义分割、目标检测、关键点识别、RTSP推流、3D模型部署、车牌检测于识别项目、人脸属性分析（年龄、性别、名称、是否佩戴口罩）等知识
好的进入本节课程：
在安装全部的库之后，大概会占用根目录30G左右的空间，所以在配置ubuntu的时候应该多配置一些空间给根目录
安装docker 的pytorch报会占用14GB的空间，没有空间需要慎重
本来用tensorRT的docker还需要多6GB的空间，但是如果你没空间的话可以跳过，因为我们已经在本地安装了TensorRT了，直接用本地的也行。
如果你没有进行前面的步骤，直接从这节开始，只用docker的方式，应该30GB以内就能完成。
所以你需要查看自己的根目录还有没有30GB空间
用df -h查看目前的空间情况
首先需要获得一个pt权重文件，我们才能部署，如果你不想要重新训练，你可以直接用我的pt文件进行TensorRT部署，跳过yolo安装、训练这些过程
代码在文章底部。
推理效果：
本节分上下两节，部署的部分为下节内容，本节主要是训练yolov5模型，为后面TensorRT准备
文章目录
- YOLOV5 人员检测项目
- 一、安装Pytorch 及 YOLO v5
- 1.1 安装GPU版 pytorch
- 1.2 安装YOLO v5所需依赖
- 二、YOLO v5训练自定义数据（不想要训练可以跳过）
- 2.1 标注数据
- 2.1.1 安装labelImg
- 2.1.2 标注
- 2.2 准备数据集
- 2.2.1 组织目录结构
- 2.2.2 创建 dataset.yaml
- 2.3 选择合适的预训练模型
- 2.4 训练
- 2.5 可视化
- 2.5.1 wandb
- 2.5.2 Tensorboard
- 2.6 测试评估模型
- 2.6.1 测试
- 2.6.2 评估
YOLOV5 人员检测项目
一、安装Pytorch 及 YOLO v5
1.1 安装GPU版 pytorch
- 方法一：conda虚拟环境
这种方式在环境搭建中有更为详细的介绍（环境搭建是一个文档，如果需要的话私信我）
首先，请参考上一节课将GPU driver, cuda, cudnn先安装完毕。
# 使用conda虚拟环境（安装文档：https://docs.conda.io/en/latest/miniconda.html）# 创建conda虚拟环境，参考你选择的版本安装即可# 最新版：https://pytorch.org/get-started/locally/# 历史版本：https://pytorch.org/get-started/previous-versions/- 方法二：docker 方式（推荐）
使用docker主要是因为与主机性能区别不大，且
和enumerate()详解)
)
