YOLOv5入门实践（1）——手把手带你环境配置搭建

前言

这两天我将pycharm社区版换成了专业版，也顺带着把环境从CPU改成了GPU版，本篇文章也就是我个人配置过程的一个简单记录，希望能够帮到大家啦~

​   本人YOLOv5源码详解系列：  

YOLOv5源码逐行超详细注释与解读（1）——项目目录结构解析

​​​​​​YOLOv5源码逐行超详细注释与解读（2）——推理部分detect.py

YOLOv5源码逐行超详细注释与解读（3）——训练部分train.py

YOLOv5源码逐行超详细注释与解读（4）——验证部分val（test）.py

YOLOv5源码逐行超详细注释与解读（5）——配置文件yolov5s.yaml

YOLOv5源码逐行超详细注释与解读（6）——网络结构（1）yolo.py

YOLOv5源码逐行超详细注释与解读（7）——网络结构（2）common.py

---

目录

前言

一、了解所需配置

1.1 CUDA

1.2 cuDNN

1.3 Anconda

1.4 pycharm

1.5 pytorch

二、安装CUDA 和cuDNN

2.1 CUDA的下载与安装

2.2 cuDNN的下载与安装

三、安装Anaconda 

四、安装pytorch 

五、配置YOLOv5环境

六、测试

一、了解所需配置

1.1 CUDA

2006年，NVIDIA公司发布了CUDA(Compute Unified Device Architecture)，是一种新的操作GPU计算的硬件和软件架构，是建立在NVIDIA的GPUs上的一个通用并行计算平台和编程模型，它提供了GPU编程的简易接口，基于CUDA编程可以构建基于GPU计算的应用程序，利用GPUs的并行计算引擎来更加高效地解决比较复杂的计算难题。它将GPU视作一个数据并行计算设备，而且无需把这些计算映射到图形API。操作系统的多任务机制可以同时管理CUDA访问GPU和图形程序的运行库，其计算特性支持利用CUDA直观地编写GPU核心程序。

1.2 cuDNN

cuDNN是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。
全球的深度学习研究人员和框架开发人员都依赖cuDNN来实现高性能GPU加速。它使他们可以专注于训练神经网络和开发软件应用程序，而不必花时间在底层GPU性能调整上。cuDNN的加快广泛使用的深度学习框架，包括Caffe2，Chainer，Keras，MATLAB，MxNet，PyTorch和TensorFlow。已将cuDNN集成到框架中的NVIDIA优化深度学习框架容器，访问NVIDIA GPU CLOUD了解更多信息并开始使用。

1.3 Anconda

Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。 因为包含了大量的科学包，Anaconda 的下载文件比较大（约 531 MB），如果只需要某些包，或者需要节省带宽或存储空间，也可以使用Miniconda这个较小的发行版（仅包含conda和 Python）。
Anaconda包括Conda、Python以及一大堆安装好的工具包，比如：numpy、pandas等

1.4 pycharm

pycharm是一个用于计算机编程的集成开发环境，主要用于python语言开发，并支持使用Django进行网页开发。简单来说就是人工智能的便捷语言。

1.5 pytorch

PyTorch是一个开源的Python机器学习库，其前身是2002年诞生于纽约大学 的Torch。它是美国Facebook公司使用python语言开发的一个深度学习的框架，2017年1月，Facebook人工智能研究院（FAIR）在GitHub上开源了PyTorch。

想进一步学习pytorch的友友，欢迎关注我的专栏噢！→Pytorch_路人贾'ω'的博客-CSDN博客

---

二、安装CUDA 和cuDNN

官方教程

CUDA：https://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/index.html

cuDNN：Installation Guide :: NVIDIA Deep Learning cuDNN Documentation

2.1 CUDA的下载与安装

1.首先查看自己CUDA的版本，有以下两种方法：

（1）打开nvidia（桌面右键）->选择左下角的系统信息->组件

（2）直接在cmd中输入

nvidia-smi

这里就可以直接查看啦 

  

 2.然后开始进入官网下载对应版本，下载地址→  官方驱动 | NVIDIA

根据自己查到的版本下载对应既可。

然后就是漫长的等待ing

 3.下载完了就开始安装

 点击下一步

 这两个可以不用勾选

4.查看环境变量

点击开始-->搜索高级系统设置-->查看环境变量

【如果没有需要自己添加】

 

 

 一共四个系统变量，都是自动生成的，但是有时后两个系统变量可能不会自动生成，需要自己添加上去，添加时注意路径。

5.验证CUDA是否安装成功

win+r，运行cmd，输入

nvcc --version 
OR
nvcc -V

即可查看版本号

 输入

set cuda

即可查看 CUDA 设置的环境变量 

 至此，CUDA 就已安装完成。但是在完成张量加速运算时还需要cuDNN的辅助，所以接下来我们来安装cuDNN。

---

2.2 cuDNN的下载与安装

1.查看与CUDA对应的cuDNN版本

 2.在官网上下载。官网地址→cuDNN Download | NVIDIA Developer

点击注册

  注册成功

  3.开始下载

 4.解压文件

 我们下载后发现其实cudnn不是一个exe文件，而是一个压缩包，解压后，有三个文件夹，把三个文件夹拷贝到cuda的安装目录下。

 cuDNN 其实是 CUDA 的一个补丁，专为深度学习运算进行优化的。然后再添加环境变量

5.添加至系统变量

往系统环境变量中的 path 添加如下路径（根据自己的路径进行修改） 

7.验证cuDNN是否安装成功 

win+r，启动cmd，cd到安装目录下的.\extras\demo_suite，输入

原目录.\extras\demo_suite

然后分别输入.\bandwidthTest.exe和.\deviceQuery.exe（进到目录后需要直接输“bandwidthTest.exe”和“deviceQuery.exe”）

.\bandwidthTest.exe

.\deviceQuery.exe

得到下图：

 

 至此，CUDA和cuDNN已全部安装完毕~

---

三、安装Anaconda 

因为我的电脑已经有了Anaconda ，所以没有再安装。没有安装的可以看看这个教程：

最新Anaconda3的安装配置及使用教程（详细过程）_HowieXue的博客-CSDN博客

---

四、安装pytorch 

同样，pytorch我电脑上也安装过了（不然咋出的专栏呢（手动狗头））。没有安装的推荐大家看我同门的这篇文章，步骤非常详细：Win11上Pytorch的安装并在Pycharm上调用PyTorch最新超详细_win11安装pytorch

---

五、配置YOLOv5环境

1.yolov5的源码下载

下载地址：mirrors / ultralytics / yolov5 · GitCode

方法一：git clone到本地本地仓库
[指令]：git clone https://github.com/ultralytics/yolov5

方法二：直接安装压缩包
没有安装 git 的话，可以直接点击“克隆”下载压缩包

 

2.预训练模型下载

为了缩短网络的训练时间，并达到更好的精度，我们一般加载预训练权重进行网络的训练。
YOLOv5给我们提供了几个预训练权重，我们可以对应我们不同的需求选择不同的版本的预训练权重。在实际场景中是比较看这种速度，所以YOLOv5s是比较常用的。

将安装好的预训练模型放在YOLO文件下。

3.安装yolov5的依赖项 

首先创建虚拟环境并激活。conda常用指令如下：

• 创建虚拟环境：

  conda create -n [虚拟环境名] python=[版本]

 点“y”

• 显示虚拟环境：

conda env list

•  激活虚拟环境：

conda activate + [虚拟环境名]

4.安装pytorch-gup版的环境

由于pytorch的官网在国外，下载相关的环境包是比较慢的，所以我们给环境换源。在pytorch环境下执行如下的命名给环境换清华源。

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 --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes

这里要注意网速一定要好，不然就总报错。下图就是本人血泪史。

 然后就安装完啦

 打开我们下载好的源码，点击设置setting

按以下步骤就OK啦！

---

六、测试

1.我们先运行detect.py

 这时会发现出现错误：

AttributeError: 'Upsample' object has no attribute 'recompute scale_factor'

 解决方法：

点进蓝色的文件里下图对应位置，更改forward函数，复制一遍，去掉下面一行的代码

再点击run，结果就保存在runs的detect文件下了

 

---

2.我们再运行train.py

同样会发生报错

0SError: [winError 1455]页面文件太小，无法完成操作。Error loading"D:\Anaconda3\envslyolov5-6.1lib\site-packages torch\lib\cudidTT"one of its dependencies

 这就是因为我们batchsize和workers设置太大了的原因

 解决方法：

找到train.py的parse_opt（）函数，将对应batchsize和workers参数调小，如下图：

 （你以为这样就完了吗？No！555~）

接着又会出现下面的错误：

OMP: Hint This means that multiple copies of the OpenMp runtime have been linked into theThat is dangerous, since it can degrade performance or cause incorrect results.. 

 解决方法：

在import os下面加入

os.environ['KMP_DUPLICATE_LIB_OK']='TRUE'

 

 （这下没错了吧？你想多了~）

然后又会出现这样的错误：

RuntimeError: resutt type float can't be cast to the desired output type ._int64 

 解决方法：

首先进入loss.py文件，将anchors = self.anchors[i]改为

anchors, shape = self.anchors[i], p[i].shape

↓ 

 接着往下翻，将indices.append((b, a, gj.clamp_(o, gain[3] - 1), gi.clamp_(0, gain[2] - 1))改为

indices.append((b, a, gj.clamp_(0, shape[2] - 1), gi.clamp_(0, shape[3] - 1)))

↓ 

 到这终于能运行啦！撒花✿✿ヽ(°▽°)ノ✿

 （训练时错误本来就有很多，但是错误原因网上都能找到的哦~）

---

到此为止，我们的环境就配好了。

本篇文章是我通过录屏复盘总结的，可能有一些地方有遗忘，大家要是配置过程中有问题还是要看看大佬们的教程（感谢大佬们！） 好了，我这个小白先撤了~下一篇再见啦！

本文参考：

CUDA与cuDNN安装教程（超详细）_kylinmin的博客-CSDN博客

【零基础上手yolov5】yolov5的安装与相关环境的搭建_罅隙`的博客-CSDN博客