本来对yolo没有印象，也没有兴趣，但是因为工作会接触到客户咨询CNN网络相关的问题，有时候会提到yolo，所以想对这块的知识做个大概的了解，不至于以后和客户交流的时候，完全不知道对方在说什么。
2. 参考史上最详细yolov5环境配置搭建+配置所需文件_想到好名再改的博客-CSDN博客_yolov5环境配置
Kissrabbit - 知乎 3. 实验目的参考网上一篇文章，搭建了自己的测试环境，做了一下实验。
4. 实验环境显卡：GTX1650
CPU：i7-10750H @ 2.6GHz
win 10
Anaconda Navigator 1.9.12
PyCharm 2022.1.1 (Community Edition)
Python 3.7.13
Torch 1.9.0+cu111
torchvision 0.10.0+cu111
torchaudio 0.9.0
5. 实验步骤 5.1 下载yolov5源代码从官网下载yolov5源代码，本文使用的是参考博客中下载好了放在百度网盘里面的代码。
5.2 安装Anaconda与PyCharm两个开发工具从官网均可下载，Anaconda我是从参考博客里面的百度网盘下载的，PyCharm是从官网下载的社区版本。
5.3 安装cuda10.2和cudnn-10.2-windows10-x64-v7.6.5.32 5.4 安装Pytorch 1.9.1及其他库使用conda下载，速度会比较慢，所以使用以下镜像下载，实测速度比较快，下载好了的环境也可以运行。
pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio===0.9.0 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.douban.com/simple
5.5 下载权重文件 5.6 实际测试 5.7 训练自制数据集 5.7.1 coco128数据集 6. 疑问1. 实验图片最少需要多少张？
参考的网友的博客做的实验，他里面使用python生成了999张图片，然后学习的时候效率比较低下，我看coco128网络里面，总共使用128张图片，查看里面有关猫的图片，只有三张，但是只有这三张training过后的文件，能够识别到猫，所以我觉得实际要是只识别一种单一物体的话，不需要太多的图片。但是我使用作者的示例工程去识别圆，发现使用10张做训练的源，生成的bset.pt文件，也一样不能够识别圆。
2. 显卡识别不了，CPU运算可以识别
使用yolov5版本的.pt文件去做detect，发现如果不将以下代码中default改成"cpu"，从log里面可以看出是在使用cuda进行运算，但是得到的结果不对。
parser.add_argument('--device', default='cpu', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
