安装yolov5：
下载地址 https://github.com/ultralytics/yolov5.git
进入anaconda虚拟环境并在yolov5文件夹下键入命令下载依赖：
pip install -r requirements.txt
检验：打开yolov5文件夹，键入python detect.py或直接运行detect.py
当终端打印Result saved to runs/detect/exp时进入对应文件夹寻找图片，如果成功识别位置、物体和置信度则安装成功。

python detect.py —source data/images/bus.jpg

大目标
中目标
小目标

使用自己的训练集：
在datasets下创建自己的训练集文件夹xxx，在xxx中再创建子文件夹images和labels
其中images中存放图片，labels中存放标签（包括1个种类+4个矩形位置）
在环境下安装labelImg，这是一个打标签的工具。
使用pip install labelImg安装后键入labelImg打开。

首先找到左下角最后一个Change Save Format到YOLO
然后点击Open Dir打开images目录，然后点击Change Save Dir选择labels作为标签txt输出的保存目录，然后View->Auto Save Mode会自动保存标签txt到对应目录。
左侧Create RectBox（或快捷键W）框定矩形边缘，右侧box labels中键入标签种类。
点击Next Image（或快捷键D）就会切到下一张需要打标签的图片，上一张图片的标签txt被自动保存。
重复这一过程直到所有的图片都被打上标签，然后进入yolov5：
拷贝一份yolov5s.yaml，重命名作为自己模型的参数文件，需要修改nc的值
拷贝一份coco128.yaml，重命名作为自己数据的参数文件，需要修改names对应的键值对，以及各数据集所在的位置和名字path、train、val、test
然后训练参数：python train.py —cfg=”模型参数文件” —data=”数据参数文件”
训练完成后找到最佳的模型权重文件runs/train/exp/weights/best.pt
输入图片得到结果：python detect.py —weights=”模型权重文件” —source=”检测图片文件” —data=”数据参数文件”