• 【YOLOv5】环境搭建:Win11 + mx450


    1. 电脑配置


    2. 安装 cuda 和 cndua

    2.1 CUDA

    CUDA(Compute Unified Device Architecture),是显卡厂商NVIDIA推出的运算平台。 根据GPU的 driver 版本下载对应的 CUDA,可以在 NVIDIA 控制面板-帮助-系统信息-组件中查看 driver 版本,我的版本是 11.4

    支持 11.4 的 cuda,可以在 https://developer.nvidia.com/cuda-toolkit-archive中下载

    注意,win10版本的CUDA与win11兼容,PyTorch 与 CUDA 之间有对应关系,高版本的 CUDA 对应高版本的 PyTorch,但高于 1.10 版本的 torch 在训练 YOLO5时会出现 P=0, R=0 的 bug,由于刚开始安装的是10.4版本的CUDA,后期又重装了一次😭

    直接安装 10.2 版本的 CUDA:https://developer.nvidia.com/cuda-10.2-download-archive

    下载后安装,可以在 设置-系统-系统信息-高级系统设置-环境变量里面看到新增加的两项


    2.2 cuDNN

    cuDNN 可以加快模型的训练速度,优化 GPU 性能,直接下载与 CUDA 对应版本的 cuDNN 即可:

    下好后解压,把解压得到的三个文件夹放到 CUDA 的安装目录 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2

    这样,CUDA 和 cuDNN 就安装好了 😆!


    3. 下载 YOLO v5 源代码

    Github 上下载官方的 YOLO v5代码,如果无法访问可以用镜像源,click me

    可以仔细看其中的 README.md 文件,里面有关于环境和运行方法的说明,比如Python版本和依赖库的安装方式:

    Clone repo and install requirements.txt in a Python>=3.7.0 environment, including PyTorch>=1.7.

    git clone https://github.com/ultralytics/yolov5  # clone
    cd yolov5
    pip install -r requirements.txt  # install
    
    • 1
    • 2
    • 3

    4. Conda 的安装与环境创建

    4.1 安装 Miniconda

    conda 可以用来创建虚拟环境,如果你需要运行不同模型,而这些模型对环境的配置需求不同,尤其是不同的模型可能需要的依赖库版本不同,重装环境很麻烦,这时候用 conda 切换环境如鱼得水!

    安装 Miniconda,由于本地安装的是 Python3.7,所以当时下载了3.7版本的(这种情况下,使用 conda 默认进入的虚拟环境就是 Python3.7,根据需求可以下载其他版本的)

    需要注意的是,安装的时候需要添加环境变量:

    安装完后查看 环境变量,可以参考第三张图,安装好后在命令行输入conda,有输出且不报错即安装成功!


    4.2 安装 Python 环境

    接下来使用 conda 命令制作虚拟环境,为了方便操作,我们首先进入解压好的 yolov5 目录下,接着使用下面的命令:

    conda create -n yolov5 python=3.7   # 创建 Python3.7的 yolov5 虚拟环境
    conda activate yolov5               # 激活 yolov5 环境
    
    • 1
    • 2

    此时我们处于 yolov5 环境中,由于此时处于解压好的 yolov5 目录下,可以直接访问目录内文件,按照官网的 README 中按照依赖库的提示安装依赖库:

    首先根据自己下载的 CUDA,安装合适版本的 pytorch(CUDA10.2 下载下面这个版本的 pytorch 没问题,其他版本的 CUDA 可以到官网下载 pytorch):

    pip3 install torch==1.9.1+cu102 torchvision==0.10.1+cu102 torchaudio===0.9.1
    
    • 1

    接着,我们打开 yolov5 目录下的 requirements.txt 文件,把下面两个库注释掉(因为刚刚安装过了 👀):

    #torch>=1.7.0
    #torchvision>=0.8.1
    
    • 1
    • 2

    接着使用下面的命令安装剩下的库:

    pip install -r requirements.txt  # install
    
    • 1

    至此,环境都配置好了,来运行一下吧!


    在当前 yolov5 环境内,输入命令

    python detect.py --source 0
    
    • 1

    这条命令使用训练好的模型好的模型检测摄像头捕捉到的物体,正常运行说明环境没问题了,反正我的是没问题啦 👻


    4.3 conda 命令

    到这一步,conda 的使用你应该学会了,创建好环境后,使用 activate 命令激活某个环境,切换到特定的目录下,就能运行有特定环境需求的代码。

    conda 的更多常用命令如下 (输命令不要把注释带上):

    conda create --name xxx --clone xxx	# clone
    conda remove --name <OldName> --all	# remove
    conda create -n yolov5 python=3.7   # 创建 Python3.7的 yolov5 虚拟环境
    conda activate yolov5               # 激活 yolov5 环境
    conda activate xxxx               	#开启xxxx环境
    conda deactivate                  	#关闭环境
    conda env list                    	#显示所有的虚拟环境
    conda info --envs                 	#显示所有的虚拟环境
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    REFERENCE
    1 . conda 命令
    2 . yolov5
    3 . 解决YOLOV5出现全为nan和0的问题


    下一篇:基于 YOLOV5 的 SAR 图像舰船检测

  • 相关阅读:
    Day799.优化垃圾回收机制 -Java 性能调优实战
    459基于python的汽车维修零配件查询系统
    coco.py文件详解
    二叉树路径模板
    冻结ResNet50前几层并进行迁移学习(PyTorch)
    四年级上册思维导图怎么绘制?简单漂亮绘制方法分享
    合合信息大模型加速器亮相WAIC大会:文档解析与文本识别新突破
    物联网 (IoT) 为何如此重要?哪些技术让物联网成为了可能?
    Vue 报错error:0308010C:digital envelope routines::unsupported
    Python基于机器视觉的图像风格迁移
  • 原文地址:https://blog.csdn.net/qq_41140138/article/details/125405860