Windows10系统下YOLOv5超详细配置过程（GTX1650、CUDA10.2）
YOLOv5配置过程详解
操作系统：Windows10
显卡：NVIDIA GeForce GTX1650
CUDA版本：10.2
YOLOv5版本：4.0
测试结果展示：
目录
〇、相关项简介
一、CUDA&cuDNN
1.官网下载CUDA
2.官网下载cuDNN
3.安装CUDA
3.1temp_path(默认就好)
3.2自定义选项
3.3选择安装位置(建议默认)
3.4安装结果：
4.更改环境变量：
4.1在系统中添加五个环境变量
4.2在系统变量 Path 的末尾添加环境变量
4.2.1添加
4.2.2添加另外五个环境变量
5.安装cuDNN
5.1解压
5.2复制
6.测试安装成功
二、Anaconda&PyTorch
1.官网下载Anaconda
2.安装Anaconda(建议使用默认安装位置)
3.运行、配置Anaconda
3.1运行
3.2添加镜像
4.创建虚拟环境、安装PyTorch
4.1创建虚拟环境
4.2激活环境
4.3在所创建虚拟环境下安装pytorch
三、YOLOv5
1.下载源码及权重文件
2.在激活的虚拟环境中，cd到源码文件夹下
3.在源码文件夹下安装所需库
4.测试运行
参考：
————————————————
https://edu.csdn.net/course/detail/31428
https://blog.csdn.net/qq_44697805/article/details/107702939
https://blog.csdn.net/qq_35668469/article/details/108284556
https://zhuanlan.zhihu.com/p/343083555
————————————————
〇、相关项简介
CUDA（Compute Unified Device Architecture，统一计算架构）是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。
cuDNN 是基于CUDA的用于深度神经网络的GPU加速库，有了它才能在GPU上完成深度学习的计算。
cuDNN是插入式设计，即所谓安装只需把cuDNN文件复制到CUDA对应文件夹就可以了。
（关于CUDA 与 cuDNN，https://www.jianshu.com/p/622f47f94784）
Anaconda 是一个用于科学计算的Python发行版，里面预装好了conda、某个版本的python以及一般可能用到的numpy、scipy、pandas等常见的科学计算包及其依赖项。
Conda 是一个包管理器。
PyTorch 是torch的python版本，是由facebook开源的神经网络框架，专门针对GPU加速的深度神经网络(DNN)编程。
Torch是一个经典的对多维矩阵数据进行操作的张量(tensor)库。
（关于PyTorch 与 Torch，https://blog.csdn.net/bestrivern/article/details/89433023）
————————————————
一、CUDA&cuDNN
1.官网下载CUDA
2.官网下载cuDNN
注意与CUDA版本相匹配
3.安装CUDA
注：安装位置建议保持默认位置。
我为了更清晰地查看安装目录，更改了安装位置。不推荐。
3.1temp_path(默认就好)
该位置的文件只是按照时的临时文件，安装完成后会自动删除的。
默认：
我的位置：
3.2自定义选项
可以全选，因为里面的一些项目我已经安装，故未勾选：
3.3选择安装位置(建议默认)
建议选择默认安装位置，但我选择自定义安装位置。
默认位置：
我的安装位置：
3.4安装结果：
4.更改环境变量：
4.1在系统中添加五个环境变量
按照默认安装位置的路径: C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2添加如下五个：
CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2
CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64
绿框中为自动添加的，需手动添加红框中的其余五个：
（图示为按照我的安装路径设置的环境变量，默认安装路径按照上述文字设置即可）
4.2在系统变量 Path 的末尾添加环境变量
添加位置：
4.2.1添加
%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;
4.2.2添加另外五个环境变量
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\CUPTI\lib64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2\bin\win64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2\common\lib\x64
添加后的变量如下：（图示为按照我的安装路径设置的环境变量，默认安装路径按照上述文字设置即可）
5.安装cuDNN
5.1解压
解压下载好的压缩包，得到cuda文件夹：
cuda文件夹中的结构：
5.2复制
将解压出的cuda文件夹中对应文件夹的文件复制到NVIDIA GPU Computing Toolkit\CUDA\v10.2\对应文件夹中
复制到
include文件夹 、lib/x64文件夹中的文件同理
6.测试安装成功
nvcc -V
二、Anaconda&PyTorch
1.官网下载Anaconda
2.安装Anaconda(建议使用默认安装位置)
建议按照默认安装位置。
默认安装位置：
我的安装位置:
如果安装位置不是默认位置，要找到文件夹，右键属性->安全，用户的权限 允许“完全控制”
3.运行、配置Anaconda
3.1运行
3.2添加镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
4.创建虚拟环境、安装PyTorch
4.1创建虚拟环境
conda create -n yolov5_cuda10.2 python=3.8
其中 “yolov5_cuda10.2” 是虚拟环境的名字 随便起
这就是虚拟环境具体的位置（其中D:\software\anaconda\Anaconda3为我的anaconda安装位置）：
4.2激活环境
conda activate yolov5_cuda10.2
4.3在所创建虚拟环境下安装pytorch
在所创建环境下安装pytorch：
conda install pytorch torchvision cudatoolkit=10.2 -c pytorch
至此已经安装好Anaconda，使用其创建了虚拟环境，并在虚拟环境中安装了pytorch。
下面下载YOLOv5源码并尝试运行。
三、YOLOv5
1.下载源码及权重文件
https://github.com/ultralytics/yolov5
最下面：
解压
这是源码的文件结构，weights文件夹是存放权重文件的地方：
下载权重文件到weights文件夹中：
2.在激活的虚拟环境中，cd到源码文件夹下
3.在源码文件夹下安装所需库
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
4.测试运行
尝试运行：
python detect.py --source ./data/images/ --weights weights/yolov5s.pt --conf 0.4
运行结果：
如有错误，欢迎大家指出。
参考博客：
-
Windows10系统下YOLOv5超详细配置过程（GTX1650、CUDA10.2）
-
【目标识别检测】Windows10下yolov5环境搭建
-
yolov5笔记（2）——训练自己的数据模型（为4.0更新）
-
Ubuntu下无脑跑通yolov5目标检测与跟踪（Pycharm+Pytorch1.7.1+Cuda10.1）