深度学习环境配置指南/YOLOv8目标检测实践
深度学习环境配置指南以YOLOV8 为例
-
- 简介
- 软件准备
- 部分安装难点
- 了解yolov8
- 准备yolov8运行的环境
- 跑一个例程
- 运行一个例程
- Load a model
简介
实验室来了很多新同学，本来更新在实验室的，但是还是想在个人区存个档，详细介绍了win深度学习环境的搭建和YOLO模型的简单实践
软件准备
环境配置前，不需要自行安装python。
- Annocada 包管理器，一款优秀的软件包管理器。地址
- nvidia geforce exerience 用于更新显卡驱动，保证最新的显卡驱动可以有效驱动显卡算力。
- 编译器 pycharm/vscode pycharm 下载地址 申请学生优惠地址，需准备校园邮箱。
- CUDA (Compute Unified Device Architecture)，显卡厂商NVidia推出的运算平台。 CUDA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。 它包含了CUDA指令集架构(ISA)以及GPU内部的并行计算引擎高性能GPU计算包
下载地址
在WIN+R中输入CMD ，在CMD键入NVIDIA-smi右上角查看最高支持的CUDA模块版本号
- cudnn NVIDIACUDA®深度神经网络库是GPU加速的用于深度神经网络的原语库。cuDNN为标准例程提供了高度优化的实现，例如向前和向后卷积，池化，规范化和激活层。cuDNN可以极大加速深度学习的运算速度。 下载地址 需要注册，与nvidia geforce exerience 可共享，需注意版本对应
部分安装难点
Annocada 包管理器安装
参考教程
安装过程选择just me ，并将path加入环境，用for all 可能会无法添加path
将conda安装至C盘以外的盘，因为后续有许多包，所以会占用大量空间
CUDA安装
● 点击下载好的安装包，选择解压位置，默认安装完成/失败后会销毁解压文件，等待解压结束进入安装页面
● 此处建议使用简洁安装，会安装在默认的C盘中，当然也可以自定义安装位置，不过需要在系统环境中配置
● 打钩即可，点击next
● 进行安装
● 安装完成
完成CUDA驱动安装，我的默认目录如下C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4
cuDNN安装
解压安装包,直接复制该文件夹下的三个文件夹，至CUDA安装目录下默认为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4粘贴覆盖即可
了解yolov8
项目地址
Ultralytics YOLOv8 是由 Ultralytics 开发的一个前沿的 SOTA 模型。它在以前成功的 YOLO 版本基础上，引入了新的功能和改进，进一步提升了其性能和灵活性。YOLOv8 基于快速、准确和易于使用的设计理念，使其成为广泛的目标检测、图像分割和图像分类任务的绝佳选择。
准备yolov8运行的环境
● 在win栏找到安装的Anaconda，右键以管理员方式启动，启动如右图。
● 创建一个新的虚拟环境，虚拟环境的意义在于项目的软件包隔离，由于不同软件包对于项目的支持不同，可能不同软件需要不同等级的软件包，太高版本或太低版本都会报错，所以，需要进行环境隔离。一般会自带一个base基础环境，这个环境无法删除，你可以往里堆你需要的所有包，但最好不要用作开发环境。
创建环境指令如下 conda create —n 环境名 python=需要的python等级
conda create -n yolo python=3.9
移除环境指令
conda remove -n yolo
● 等待conda就绪，键入y安装环境，此时会为你的环境配备基础包和相应等级的python
● 完成后激活环境
conda activate yolo
● 完成后激活环境，此时前端展示为你创建的yolo环境，我的叫yolov7所以显示为yolov7
● 此时，回到上面的github中下载代码，并解压。前面介绍了每个项目会有一个requirements.txt文件记录 所需的运行包，解压后记录这个文件的位置，我的位置在 “D:\ultralytics-main\requirements.txt”，打开该文件，删除下图中蓝色的俩个模块并保存，因为直接安装会安装cpu版本，我们有GPU需要安装GPU版本才能有效驱动GPU运算。
● 在刚刚的命令行中键入以下代码，等待自动安装时间结束，中途报错可重复输入，如果关闭了命令栏需重新激活环境后再输入，会智能续传。
pip install -r “D:\ultralytics-main\requirements.txt”
● 全部完成后我们继续安装刚才我们删除的torch
● https://pytorch.org/ 进入pytorch官网，寻找与我们CUDA对应版本的torch-GPU包，旧版本找下方连接进入，新版本直接复制命令，回到命令行安装，大小约为1.8G+。 
●
● 安装完成后，YOLOv8运行环境搭建完成
跑一个例程
环境的加载，以最新版pycharm为例
● 在我们的解压文件夹下右键，可以看到Open Folder as Pychamr Project，以项目方式打开文件夹。
● 设置中文pycharm包，进入settings，在Plugins插件中搜索中文安装即可
● 接下来开始加载环境，入口有很多
○ 1，setting->项目->python解释器
○ 2右下角区域点击，进入添加新的解释器或解释器设置
○ 进入后页面相同，如下，点击现有，点击’''进入选择，查找自己的虚拟环境位置，默认的在Anaconda3的安装目录下的envs中，找到自己的环境名字，在该文件夹下找到python.exe即可确认。等待软件索引所有软件包
运行一个例程
从github页面下载预训练模型，点击该位置会下载，建议科学上网下载速度比较快，或者从我的百度网盘下载，并放到解压的文件夹下
链接：https://pan.baidu.com/s/1ziVKFOxSlSxm6wASwJcBBA?pwd=z1pi
提取码：z1pi
该云训练模型在COCO数据集上已经训练过，所以已经可以预测100多种东西，车鸟花。。。。
在目录下新建一个python文件，运行以下代码，尝试一次简单的模型检测
from ultralytics import YOLO
Load a model
model = YOLO("yolov8n.yaml")
model = YOLO("yolov8n.pt")
result = model("https://ultralytics.com/images/bus.jpg",save=True)
这里的地址可以改成本地的任何文件
如：
result = model("E:\desktop\wallhaven-1kj7v1_1920x1080.png",save=True)
有以下运行结果，可以看到，结果被保存在了runs\detect\predict4下
from n params module arguments
0 -1 1 464 ultralytics.nn.modules.Conv [3, 16, 3, 2]
1 -1 1 4672 ultralytics.nn.modules.Conv [16, 32, 3, 2]
2 -1 1 7360 ultralytics.nn.modules.C2f [32, 32, 1, True]
3 -1 1 18560 ultralytics.nn.modules.Conv [32, 64, 3, 2]
4 -1 2 49664 ultralytics.nn.modules.C2f [64, 64, 2, True]
5 -1 1 73984 ultralytics.nn.modules.Conv [64, 128, 3, 2]
6 -1 2 197632 ultralytics.nn.modules.C2f [128, 128, 2, True]
7 -1 1 295424 ultralytics.nn.modules.Conv [128, 256, 3, 2]
8 -1 1 460288 ultralytics.nn.modules.C2f [256, 256, 1, True]
9 -1 1 164608 ultralytics.nn.modules.SPPF [256, 256, 5]
10 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest']
11 [-1, 6] 1 0 ultralytics.nn.modules.Concat [1]
12 -1 1 148224 ultralytics.nn.modules.C2f [384, 128, 1]
13 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest']
14 [-1, 4] 1 0 ultralytics.nn.modules.Concat [1]
15 -1 1 37248 ultralytics.nn.modules.C2f [192, 64, 1]
16 -1 1 36992 ultralytics.nn.modules.Conv [64, 64, 3, 2]
17 [-1, 12] 1 0 ultralytics.nn.modules.Concat [1]
18 -1 1 123648 ultralytics.nn.modules.C2f [192, 128, 1]
19 -1 1 147712 ultralytics.nn.modules.Conv [128, 128, 3, 2]
20 [-1, 9] 1 0 ultralytics.nn.modules.Concat [1]
21 -1 1 493056 ultralytics.nn.modules.C2f [384, 256, 1]
22 [15, 18, 21] 1 751702 ultralytics.nn.modules.Detect [2, [64, 128, 256]]
YOLOv8n summary: 225 layers, 3011238 parameters, 3011222 gradients, 8.2 GFLOPs
Ultralytics YOLOv8.0.35 Python-3.9.15 torch-1.12.1 CUDA:0 (NVIDIA GeForce RTX 3060, 12288MiB)
YOLOv8n summary (fused): 168 layers, 3151904 parameters, 0 gradients, 8.7 GFLOPs
image 1/1 E:\desktop\wallhaven-1kj7v1_1920x1080.png: 384x640 1 car, 1 bus, 16.0ms
Speed: 1.0ms pre-process, 16.0ms inference, 24.5ms postprocess per image at shape (1, 3, 640, 640)
Results saved to runs\detect\predict4
进程已结束,退出代码0
结果：
