Windows搭建yolov10（CPU/GPU版）训练环境

已于 2024-11-22 21:58:24 修改
阅读量1.2k 收藏 19
点赞数 14
文章标签： YOLO windows
于 2024-11-22 21:54:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2302_81152643/article/details/143924623
版权

目录

1.英伟达驱动安装

1.1cuda安装

​编辑

1.2cudnn安装

2.anaconda安装

3.使用conda创建python虚拟环境

4.pycharm安装

下载 PyCharm：JetBrains 出品的用于数据科学和 Web 开发的 Python IDEhttps://www.jetbrains.com/zh-cn/pycharm/download/?section=windows

5.yolov10下载

6.进入虚拟环境

7.安装torch（CPU/GPU）

​编辑

1.英伟达驱动安装

1.1cuda安装

CUDA（Compute Unified Device Architecture）：

CUDA是由NVIDIA推出的一个并行计算平台和编程模型。

它允许开发者使用NVIDIA GPU进行通用计算。

CUDA提供了驱动程序和工具，使得开发者能够利用GPU的强大计算能力进行各种计算任务，特别是涉及大量并行计算的任务。

cuDNN（CUDA Deep Neural Network library）是NVIDIA专门为深度神经网络设计的一个GPU加速库。它提供了优化的深度学习原语，用于前向和反向传播、卷积、池化和其他标准的神经网络操作。

cuDNN库中的函数都是高度优化的，可以显著提高深度学习模型的训练速度。

它为深度学习框架提供了易于使用的API，使得这些框架（如TensorFlow、PyTorch等）可以轻松地利用GPU加速。

使用nvidia-smi命令查看显卡支持的最高cuda版本

我的电脑显卡最高支持12.7版本

到官网下载cudaCUDA Toolkit Archive | NVIDIA Developericon-default.png?t=O83Ahttps://developer.nvidia.com/cuda-toolkit-archive

下载并安装自己电脑显卡适合的版本，我安装的11.8版本的

1.2cudnn安装

到官网下载适合显卡的版本   cuda装的哪个版本cudnn就选哪个版本就行cuDNN Archive | NVIDIA Developericon-default.png?t=O83Ahttps://developer.nvidia.com/rdp/cudnn-archive#a-collapse742-10

11.x代表所有11版本的cuda均适用

解压压缩包将除了licens

最低0.47元/天 解锁文章
搭建YOLOv10环境 训练+推理+模型评估
Dora_blank的博客
05-29 1万+
本文将详细介绍跑通YOLOv10的流程，并给各位提供用于训练、评估和模型推理的脚本。
手把手教你搭建YOLOV8+CUDA环境，训练自定义数据集，训练推理验证导出。小白也能看得懂的！
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-18 1万+
YOLO（You Only Look Once）系列算法因其高效、准确等特点而备受瞩目。由2023年Ultralytics公司发布了YOLO的最新版本YOLOv8是结合前几代YOLO的基础上的一个融合改进版。本文主要介绍YOLOv8环境搭建/数据集获取/训练/推理/验证/导出/部署
个人学习YOLOV10安装(cpu)
qq_64176863的博客
07-01 1742
model=yolov10n.pt:指定下载yolov10的预训练权重文件。epochs=10:设置训练轮次，可以先设置小一点，先看看结果如何。data=mydata.yaml:指定你自己数据集yaml文件。yolo detect train:表示进行目标检测的训练。names：按打标签的顺序依次填入。imgsz=640:设置图片长度。
Windows下的YOLOv10环境配置教程（超全）
S13352784013的博客
10-28 2918
Windows下的YOLOv10环境配置教程（超全）
Yolov10环境配置+训练自己数据集（Windows10）
求你别报错
06-05 2108
在根目录下新建一个datasets文件夹，在datasets文件夹下再新建train、val、test目录，然后再每个目录中在新建images和labels两个文件夹，将标注好的图片和.txt文件放到images，将.txt文件放到labels文件夹下，这是将制作的数据集切分成训练、验证、测试集。2、从ultralytics\cfg\复制coco.yaml文件到/datasets文件夹下，并修改coco.yaml改名为：mydata.yaml（自定义）,并修改数据集的路径和自己数据集的种类。
yolov5环境搭建（Windows下cpu训练）
weixin_72023436的博客
03-24 1630
配置前确保自己电脑以下配置完好：python 最好3.8及以上notepad++gitconda（记得添加环境变量到PATH）pycharm。
萌新windows系统GPU训练YOLOv10配环境踩坑实录
m0_66683421的博客
07-31 2160
前段时间因为一个图像识别的项目要用YOLO，但是在配环境的时候遇到了很多问题。我整理了一下我在配环境期间遇到的一些问题，希望能够帮到有需要的小伙伴们。
YOLOv10在CPU上也能实现50+FPS推理—使用OpenVINO C++部署YOLOv10
dotNET跨平台
06-28 2727
点击蓝字 关注我❝ 英特尔发行版 OpenVINO™ 工具套件基于 oneAPI 而开发，可以加快高性能计算机视觉和深度学习视觉应用开发速度工具套件，适用于从边缘到云的各种英特尔平台上，帮助用户更快地将更准确的真实世界结果部署到生产系统中。YOLOv10是清华大学研究人员近期提出的一种实时目标检测方法，通过消除NMS、优化模型架构和引入创新模块等策略，在保持高精度的同时显著降低了计算开销，为实时...
从零开始使用YOLO和Paddle——模型CPU部署
qq_58718853的博客
04-17 4437
文本目标检测任务中，部署yolo和paddle模型到cpu设备上的流程
yolov5，如何使用CPU/GPU运行——安装环境及依赖（详细，简单易懂）
weixin_68922189的博客
11-16 2万+
yolov5很适合作为计算机视觉入门项目，但是在自己修改模型之前，项目的导入、配置对初学者来说，是一个比较繁琐的过程。博主这篇博客希望能够对初入项目领域的初学者起到一些帮助，希望能够在配置环境，安装依赖的过程中，起到参考作用。有任何问题，可以在评论区留言。t=N7T8。
Yolo V5，如何安装环境及依赖，使用CPU/GPU运行
weixin_45892846的博客
01-10 4935
yolov5，如何安装环境及依赖，使用CPU/GPU运行
YOLOv5的gpu训练环境安装（windows系统，anaconda虚拟python环境）
wifi11的博客
01-29 969
配置YOLOv5的GPU训练环境，安装cuda和pytorch
YOLOv8模型的简单测试，Windows环境下安装部署（Python+PyTorch+Conda+cpu+CLI）
积累，沉淀，温故而知新
03-31 4841
YOLOv8模型的简单测试，Windows环境下安装部署（Python+PyTorch+Conda+cpu+CLI）
yolov5 算法环境（GPU CPU）搭建与使用（windows环境）
每个人都是独一无二的，把握好自己的节奏，跟着自己的心走。
09-22 5907
目标检测 YOLOv5 开源代码项目调试与讲解实战【土堆 x 布尔艺数】【动手学深度学习（一）】Yolov5环境配置教程博客目录索引(持续更新)
小白也能完成的Yolov5训练环境搭建
JJJ255的博客
07-19 1848
让你不在因为报错而抓狂烦恼
使用yolov10源码对图片进行目标检测的步骤讲解（windows环境、PyCharm软件、预测阶段）
qq_45663481的博客
06-04 3234
本文讲解yolov10的预测阶段，即如何使用代码调用yolov10模型，对图片进行目标检测。
YOLOv10 正式发布！原理、部署、应用一站式齐全
热门推荐
专注计算机视觉全栈知识分享
05-25 2万+
遗憾的是，无论是 anchor-based 的“框分配”策略还是 anchor-free 的“点分配”策略，其始终会面临一个 many-to-one 的窘境，即对于一个 GT 框来说，会存在多个正样本与之对应。YOLOv10 作为一款实时端到端目标检测模型，其通过创新的双标签分配策略和架构改进，在保持高速检测的同时显著提升了准确性和效率，提供了多个模型规模以适应不同应用场景，并通过支持ONNX和TensorRT等格式的导出，便于在多种平台上部署和推理，值得尝试。
YOLOv10通俗易懂！手把手教大家利用yolov10训练自己的数据集(环境搭建，YOLOv10网络结构解读 、yolov10.yaml配置文件详细解读与说明、模型训练参数详细解析)
qq_45972324的博客
09-06 2万+
YOLOv10入门必看系列！弄懂YOLOv10模型，看这一篇文章就够了，通俗易懂！ | 手把手教大家利用yolov10训练自己的数据集(环境搭建，YOLOv10网络结构解读 、yolov10.yaml配置文件详细解读与说明、模型训练参数详细解析)
如何配置yolov10环境？
qq_42681787的博客
07-10 5710
本文介绍如何快速搭建起yolov10环境，用于后续项目推理、模型训练。教程适用win、linux系统
yolov8搭建gpu环境 vscode
最新发布
03-26
### 配置 VSCode 中 YOLOv8 的 GPU 运行环境 要在 Visual Studio Code (VSCode) 中为 YOLOv8 搭建 GPU 运行环境，需要完成以下几个方面的设置： #### 1. 安装必要的软件和工具 确保已经安装了以下依赖项： - **NVIDIA CUDA Toolkit**: 确认已正确安装并验证其版本是否满足需求。可以通过 `nvidia-smi` 和 `nvcc -V` 命令来确认 CUDA 是否正常工作[^1]。 - **Python 环境**: 推荐创建一个新的虚拟环境专门用于 YOLOv8 的开发和训练[^2]。 ```bash python -m venv yolov8_env source yolov8_env/bin/activate # Windows 用户可以使用 yolov8_env\Scripts\activate pip install --upgrade pip setuptools wheel ``` - **YOLOv8 所需库**: 使用官方文档中的命令安装所需的 Python 库。 ```bash pip install ultralytics ``` - **Visual Studio Code**: 下载并安装最新版的 VSCode[^5]。 --- #### 2. 设置 VSCode 工作区 打开 VSCode 并加载项目文件夹作为工作区。如果尚未克隆 YOLOv8 源码仓库，则可以从 GitHub 上拉取代码： ```bash git clone https://github.com/ultralytics/ultralytics.git cd ultralytics/ ``` 在 VSCode 中打开此目录，并通过扩展市场安装以下插件： - **Python 插件** - **C/C++ 插件**（如果有 C++ 文件） - **Code Runner** --- #### 3. 配置 launch.json 为了支持 GPU 加速调试功能，在 `.vscode/launch.json` 文件中定义调试配置。以下是典型的配置示例： ```json { "version": "0.2.0", "configurations": [ { "name": "Python: Current File with GPU Support", "type": "python", "request": "launch", "program": "${file}", "console": "integratedTerminal", "justMyCode": false, "args": ["--device", "0"], // 设定使用的 GPU ID "env": { "CUDA_VISIBLE_DEVICES": "0" // 显式指定可用的 GPU } } ] } ``` 上述配置允许用户通过参数控制设备分配，并显式设定环境变量以启用特定 GPU[^4]。 --- #### 4. 测试 GPU 支持 运行一段简单的脚本来检测当前环境中是否存在有效的 GPU 支持。例如： ```python import torch print(f"CUDA Available: {torch.cuda.is_available()}") print(f"Device Count: {torch.cuda.device_count()}") print(f"Current Device Name: {torch.cuda.get_device_name(0)}") ``` 如果一切正常，应该能够看到类似于以下输出的结果： ``` CUDA Available: True Device Count: 1 Current Device Name: NVIDIA GeForce RTX XXXX ``` --- #### 5. 编写推理或训练脚本 编写一个基于 YOLOv8 的简单推理或训练脚本。例如，进行图像推理时可以尝试以下代码片段： ```python from ultralytics import YOLO model = YOLO('yolov8n.pt') # Load a pretrained model results = model('https://ultralytics.com/images/bus.jpg', device='cuda:0') for result in results: boxes = result.boxes.cpu().numpy() print(boxes.xyxy) ``` --- #### 6. 启动调试会话 按下 F5 键启动调试模式，或者从菜单栏选择对应的调试选项。此时，VSCode 将按照之前配置好的 `launch.json` 参数执行程序，并利用 GPU 提供加速计算能力。 --- ### 注意事项 - 如果遇到任何错误提示，请仔细检查每一步操作是否有遗漏之处，尤其是关于 CUDA 版本兼容性和驱动更新的部分。 - 对于更复杂的场景（如多卡分布式训练），可能还需要额外调整 PyTorch 或 TensorFlow 的相关设置。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值