在下载配置Yolov5前，先要安装好Anaconda环境，若有需要可参考：https://blog.csdn.net/qq_54496810/article/details/121869094
这里有两种方式进行下载：
①Yolov5 Github地址：https://github.com/ultralytics/yolov5
点击链接后，进入以下界面，可以点击Code->Download ZIP下载yolov5
②也可以Win+R打开命令行窗口，直接git clone到本地工作目录，等待下载完成：
git clone https://github.com/ultralytics/yolov5
由于未安装git，未成功下载，因此应先到git官网下载windows版本的git：http://git-scm.com/downloads
下载完成，点击安装，选择自己的安装位置，一路next即可（注意安装路径，后面要用到）
这时不要着急，还要进行环境变量配置：
找到git安装路径中bin的位置，我这里是（自定义安装的路径中查找）D:\Program Files\Git\bin；另外找git安装路径中git-core的位置，如：D:\Program Files\Git\mingw64\libexec\git-core
接着右键 “计算机”->“属性”->“高级系统设置”->“环境变量”->在下方的“系统变量”中找到“path”->选中“path”并选择“编辑”->将找到的bin和git-core路径复制到其中->保存并退出``
现在就可以尽情使用git命令了
再次下载：
git clone https://github.com/ultralytics/yolov5
下载完成后，进入下载路径，可以看见Yolov5代码目录架构：
下载地址：https://github.com/ultralytics/yolov5/releases
进入以下界面后，往下浏览，找到最新的release，点开下面的Assets下载模型（.pt文件就是pytorch的模型文件）
yolov5共有四种模型：yolov5s、yolov5m、yolov5l、yolov5x，我们下载的也是这四个（下载过程比较慢，请耐心等待）
不同的预训练模型 ，效果和精度不一样，如下图：
其中yolov5s目标检测速度最快，因为其网络参数最少，但相应的，检测效果相比是最差的；而yolov5x是检测效果最好的，参数最多，而时间上最慢
具体使用可以根据实际需要，例如如果目标检测应用场景比较看重速度，就用yolov5s.pt
下载后将四个.pt文件放到Yolov5源码根目录下
源码下完后，下面开始安装Yolov5所需模块：
Win+R打开命令行窗口，输入以下命令，等待安装完成即可
python -m pip install -r requirements.txt
安装的也比较慢，请耐心等待
出现以上界面，安装成功。
就使用源码中的Detect.py即可进行测试
输入以下命令通过detect.py对图像进行目标检测:
python detect.py --source ./data/images/bus.jpg
python detect.py --source ./data/images/zidane.jpg
（其中bus.jpg和zidane.jpg为源码自有的测试图片）
detect.py默认使用同目录下的 yolov5s.pt 模型，如果想用其他的，可以用–weights进行指定
例如：
python detect.py --source ./data/images/bus.jpg --weights yolov5x.pt
然后就可以在yolov5/runs/detect目录下找到模型输出结果的文件夹
这是源码自带的bus.jpg识别效果：
zidane.jpg识别效果如下：
随手拍了一张图片，测试了一下效果也不错，同时Yolov5处理该图片时间只用了0.187s
python detect.py --source people.jpg
同样可以在yolov5/runs/detect目录下找到模型输出结果的文件夹exp5，里面保存有测试后的图片
识别的效果如下：
在路径中放一段视频：
然后通过detect.py对视频进行目标检测：
python detect.py --source data/images/people.mp4
视频Detect就有些慢了，因为也是把视频转换为图片放到模型里再进行处理的
我们也可以在路径下找到目标检测后生成的视频：
视频效果如下：
使用本机摄像头测试Yolov5实时检测：
python detect.py --source 0
就会弹出摄像头页面，识别到的物体会用不同颜色的方框进行标识，同时上面会显示名称和概率（置信度）
通过摄像头检测出识别的物体会打印出来：比如下面的person等
其中一截摄像截图如下：
至此，Yolov5的使用到此结束。
目标检测在生活中经常用到，比如人脸检测、车辆检测、自动驾驶等，随着技术的进步，目标检测的学习也越来越深入。通过本次Yolov5的安装与使用，根据初步印象来看，Yolov5的配置简单，并且对目标检测的识别效率和速度都是很不错的，当然那些模型都是已经训练好的，要是感兴趣的话也可以训练自己的数据集以及进行源码分析。