一、环境配置Pytorch+CUDA+cuDNN

1. 安装CUDA和cuDNN

1.1 查看显卡驱动对应的CUDA版本

1.2 CUDA和cuDNN的安装与验证

2. 在虚拟环境中安装pytorch

2.1 创建虚拟环境

2.2在虚拟环境中安装pytorch

二、Yolov5源码测试

1. 下载源码并安装依赖项：

2. 测试

一、环境配置Pytorch+CUDA+cuDNN

YOLO的环境配置真的异常繁琐，刚上大学那会儿很多次想学各种深度学习，几乎每一次都倒在环境配置上。

1. 安装CUDA和cuDNN

1.1 查看显卡驱动对应的CUDA版本

建议在把显卡驱动更新到最新。

好用的显卡真的非常重要！GTX850M和RTX3080比起来真的天壤之别。

要安装现版本yolov5就要安装对应的版本的pytorch（我记得是1.9版本以上），而该版本的pytroch对应的CUDA（我记得好像的11.1）对应的显卡驱动相当新，几乎无法避免地要更新显卡驱动（甚至换一张好的显卡！）

右击桌面可以查看英伟达驱动设置-》帮助-》组件可以查看当前显卡驱动对应的CUDA版本，安装的CUDA版本不能高于显示版本。

确定好CUDA版本后查找对应的cuDNN版本。

网页打开特别慢，同时也不建议使用镜像下载，所以大家可以直接查看对应版本在网络上自行搜索下载。

1.2 CUDA和cuDNN的安装与验证

CUDA下载后是安装包，cuDNN是文件，分别安装完毕后复制cuDNN的bin，include，lib到CUDA的同名文件夹。

添加环境变量：

环境变量生效后win+r+cmd输入：

nvcc -V

注意！！！这里的V是大写！！！

若能：

则CUDA已经顺利安装！

在CUDA文件夹下的\extras\demo_suite文件夹shift+右键打开PowerShell，执行.\bandwidthTest.exe，若显示CUDA在N卡上运行则cuDNN也同样安装成功！

2. 在虚拟环境中安装pytorch

考虑到纷繁复杂的环境配置，强烈建议在anaconda的虚拟环境中安装pytorch避免损坏其他环境。

2.1 创建虚拟环境

在命令提示符中键入：

conda create -n name python=3.8 anaconda

name是环境名称，python=3.8是要在虚拟环境中使用的python版本

启动虚拟环境：

activate name

关闭虚拟环境：

deactivate

查看anaconda中的虚拟环境：

conda info --e

带*号的是当前正在运行的虚拟环境。

2.2在虚拟环境中安装pytorch

pytorch官网提供的版本有限，pip下载超慢非常容易出错，强烈建议在这里搜索对应的pytorch版本下载

一定要注意对应的CUDA和python版本，同时建议下载1.9以上版本避免YOLO和部分python包不支持。

下载完成后进入虚拟环境pip install安装.whl文件

验证pytorch是否安装成功：

import torch as t
t.__version__

若返回：

则安装成功。注意！成功安装之后的返回值一定包括CUDA版本，若返回值不包括cu或者显示的是cpu（特别是在反复安装之后）则表示torch或CUDA的版本装错了，要重新检查一遍！

二、Yolov5源码测试

1. 下载源码并安装依赖项：

源码下载地址

源码根目录下有一个requirement.txt的文件夹，在项目根目录打开命令提示符，用pip install -r安装其中的依赖项。

这里我碰到了一个很离谱的错误：UnicodeDecodeError: ‘gbk’ codec can’t decode byte

一开始以为是python解析有问题，修改了UTF编码，文件路径也不包含中文，但依然报错，最后解决方法：

win-》设置-》时间和语言-》语言-》管理语言设置-》更改系统区域设置

重启电脑-》运行cmd键入：

 chcp 65001

才解决了pip报错的问题（而我不知道问什么……）

2. 测试

安装完依赖项之后下载权重文件（这里也可以不用预先下载，在测试时若yolo没有识别到权重文件，会自动进行下载）

新版的yolov5不再在根目录下附带权重文件夹了，下载后的.pt文件可以直接放在项目根目录下。

在根目录下激活虚拟环境，键入：

python detect.py --source ./data/images/ --weights ./yolov5s.pt --conf 0.4

开始利用预先下好的（这里是yolov5s）进行测试

然后打开runs-》detect-》exp，出现这两张经典图像：

也可以将自己的图片或视频放入data下文件夹中，修改上述命令能得到对应的测试结果：

到这里使用yolov5的所有前期准备工作就全部完成了~

从零开始完成Yolov5目标识别（一）准备工作相关推荐

从零开始完成YOLOv5目标识别（七）一种完成目标计数的简单方法
往期文章: 从零开始完成YOLOv5目标识别(六)用接续训练完成大规模数据集训练(以FLIR为例) 从零开始完成YOLOv5目标识别(五)一种扩充数据集的方式从零开始完成Yolov5目标 ...
从零开始完成Yolov5目标识别（四）封装一个跨设备的YOLOv5检测软件
往期文章从零开始完成YOLOv5目标识别(三)用PyQt5展示YOLOv5的识别结果从零开始完成Yolov5目标识别(二)制作并训练自己的训练集从零开始完成Yolov5目标识 ...
深度学习之yolov5目标识别全过程记录(纯小白)
项目场景: 遇到一个中文验证码,想到又是一个学习的机会,马上研究了下深度学习解决过程验证码包含干扰线.字体倾斜一.干扰线第一想法就是去除干扰线,搞了半天效果并不好,要么去掉干扰线同时将字体也去 ...
超详细从零开始安装yolov5
第一步:安装Anconda - Anconda环境搭建后面的所以操作都需要在anconda的yolo的环境下进行的, https://www.anaconda.com/products/indivi ...
GitHub上YOLOv5开源代码的训练数据定义
GitHub上YOLOv5开源代码的训练数据定义代码地址:https://github.com/ultralytics/YOLOv5 训练数据定义地址:https://github.com/ultr ...
yolov5s 预训练模型_GitHub上YOLOv5开源代码的训练数据定义
GitHub上YOLOv5开源代码的训练数据定义代码地址:https://github.com/ultralytics/YOLOv5 训练数据定义地址:https://github.com/ultr ...
Yolov5自学笔记之二--在游戏中实时推理并应用（实例：哈利波特手游跳舞小游戏中自动按圈圈）
上一篇帖子我已经自学了Yolov5的基本流程,并运用yolov5进行图片.视频.摄像头.网络视频流等多种方式的推理,这些结合到实际工作中就可以有很广泛的应用了.但是还有一类情况,就是在电脑中的某个程序 ...
使用YOLOV5训练自己的数据集（以王者荣耀为例）
注:本文只是记录笔者使用yolov5训练自己的数据集的实现过程,不讲原理,如果想学原理请移步点击量比较高的大佬博客,笔者只是大二本科生,如有问题还请多多指教! 一,什么是yolov5? "Y ...
【Scratch】从零开始的卡牌游戏 #0 起点
#1已更新: [Scratch]从零开始的卡牌游戏 #1 准备工作最近,在我用Java开发完一款下载器后, 我又不知道该写点什么了...... 就在我万愁莫展之际突然,我想到: 要不然我自己开发一 ...

从零开始完成Yolov5目标识别（一）准备工作

一、环境配置Pytorch+CUDA+cuDNN

1. 安装CUDA和cuDNN

1.1 查看显卡驱动对应的CUDA版本

1.2 CUDA和cuDNN的安装与验证

2. 在虚拟环境中安装pytorch

2.1 创建虚拟环境

2.2在虚拟环境中安装pytorch

二、Yolov5源码测试

1. 下载源码并安装依赖项：

2. 测试

从零开始完成Yolov5目标识别（一）准备工作相关推荐

最新文章

热门文章