YOLOv10超详细环境搭建以及模型训练（GPU版本）

于 2024-08-23 09:00:00 发布
阅读量352 收藏 6
点赞数 17
分类专栏： 环境配置手册 文章标签： YOLO python 深度学习
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/2401_85556416/article/details/141431698
版权

YOLOv10训练环境搭建

目录

1.安装CUDA和cuDNN

1.1安装CUDA

1.1.1查看当前你的电脑显卡支持的最高CUDA版本，后面的安装不能超过它

1.1.2 下载CUDA（官网或者百度网盘）

1.1.3 安装CUDA 11.8

1.2配置cuDNN

1.2.1下载cuDNN（官网或者百度网盘）

1.2.2 配置cuDNN

2.安装Anaconda

2.1 下载Anaconda

2.2 安装Anaconda

2.3 配置环境变量

3.创建python虚拟环境

3.1创建python虚拟环境

3.2 虚拟环境的路径设置（ 常见问题以及解决方法）（如果3.1在创建虚拟环境的时候，路径不是anaconda3的安装路径下，而是总是在c盘，才需要进行3.2小节的设置，否则跳过3.2小节）

4.打开项目

4.1 然后打开yolov10项目

5.在Pycharm中调用yolov10环境

6.pycharm中添加镜像地址

7.安装GPU版本的torch

8.安装其他的项目依赖

9.以训练NEU-DET数据集为例训练模型

9.1创建数据集

9.2 创建数据集的配置文件NEU-DET.yaml文件

9.3 创建模型对象yolov10-neu-det.yaml

9.4 创建train.py文件方便后续的训练

9.5模型训练的成功截图

-------------------------------------------------------------------------------------------------------------------

1.安装CUDA和cuDNN

1.1安装CUDA

1.1.1查看当前你的电脑显卡支持的最高CUDA版本，后面的安装不能超过它

方法一：通过命令的方式查看

nvidia-smi

方法二：【鼠标右键桌面】--【显示更多选项】--【NVIDIA控制面板】--在控制面板的左下角点击【系统信息】--选择【组件】

NVIDIA CUDA 12.1.68 driver就是显卡支持的CUDA版本

1.1.2 下载CUDA（官网或者百度网盘）

（1）下载地址一（官网）：

下载小于12.1版本都都可以，我这里下载的是11.8.0，然后点击【CUDA Toolkit 11.8.0】

  • 下载CUDA11.8

（2）下载地址二（百度网盘）：

11.8.0版本的百度网盘下载地址：链接：百度网盘 请输入提取码

提取码：h0tw

1.1.3 安装CUDA 11.8

  • 点击刚下载的CUDA进行安装

  • 下面的路径是提取地址，安装完后会自动删除，选择默认即可，点击【OK】

  • 等待提取完成

  • 点击【同意并继续】

  • 选择【自定义】，点击【下一步】

  • 驱动组件可以全部勾选，点击【下一步】

  • cmd命令【nvcc -V】查看CUDA是否安装成功，如果出现如下界面表示CUDA安装成功

1.2配置cuDNN

1.2.1下载cuDNN（官网或者百度网盘）

（1）下载地址一（官网）

下载cuDNN,先登录，按照提示流程注册、登录即可。

cuDNN选择支持CUDA的版本（刚刚下载的CUDA是哪个版本就选择对应的版本）（CUDA 11.x则代表支持CUDA11代版本的所有版本）

下载对应自己电脑系统的版本。

（2）下载地址一（百度网盘）

链接：百度网盘 请输入提取码

提取码：bwas

1.2.2 配置cuDNN

解压cuDNN压缩包，然后将cuDNN文件夹里面的几个文件复制到CUDA的安装目录下直接覆盖

覆盖

2.安装Anaconda

2.1 下载Anaconda

（1）Anaconda下载方式一（官网）

Anaconda下载官网：Anaconda | The Operating System for AI

点击下载【Free Download】即可

然后点击【Download】

（2）Anaconda下载方式二（百度网盘）

链接：百度网盘 请输入提取码

提取码：9hcx

2.2 安装Anaconda

点击安装包，然后点击【Next]

  • 点击【I Agree】

  • 点击【Next】

  • 安装路径的选择，点击【Next】

  • 点击【INstall】，然后等待安装完成

  • 点击【Next】

  • 点击【Next】

  • 点击【Finish】

2.3 配置环境变量

右键点击【我的电脑】(此电脑)--【属性】--点击【高级系统设置】--【高级】--【环境变量】-找到系统变量下的【Path】--右侧点击【新建】，按照我标红框的进行添加即可。（注意anaconda3的安装路径

3.创建python虚拟环境

3.1创建python虚拟环境

虚拟环境的作用：虚拟环境可以隔离不同项目的依赖项，避免不同项目之间的干扰，使项目更加稳定。

首先进入命令界面

输入如下命令：

conda create -n yolov10 python=3.11.4

其中：yolov10是虚拟环境名称（可以任意取名），python=3.11.4是指定python的版本（也可指定另外的版本）

输入【y】，之后回车开始安装

如果出现如下界面，表示安装完成。

输入命令可以查看虚拟环境否创建成功：conda env list

如下界面表示创建成功（虚拟环境名称以及虚拟环境的路径）：

激活进入环境：activate yolov10

激活成功后，前面的base会替换成yolov10

备注：如果需要删除刚刚创建的虚拟环境，可以通过如下命令删除：

conda remove -n yolov10 --all

3.2 虚拟环境的路径设置（ 常见问题以及解决方法）
（如果3.1在创建虚拟环境的时候，路径不是anaconda3的安装路径下，而是总是在c盘，才需要进行3.2小节的设置，否则跳过3.2小节）

解决方法参考：http://t.csdnimg.cn/OkQyN

4.打开项目

YOLO系列项目官网下载地址：主页 -Ultralytics YOLO 文档

yolov10官网下载地址：https://github.com/THU-MIG/yolov10

yolov10百度网盘下载地址链接：链接：百度网盘 请输入提取码

提取码：bz0k

yolov10压缩包下载完成之后，解压到某个路径下（可以解压在D盘）

4.1 然后打开yolov10项目

Pycharm前提已经安装完成（如果没有安装，可以网上搜索Pycharm的安装教程，有很多）

Pycharm软件中打开项目

5.在Pycharm中调用yolov10环境

点击【File】-->【setting】-->【Project】-->【Python Interpreter】-->【Add Interpreter】-->【Add Local Interpreter】

设置虚拟环境

备注：在Pycharm中如何查看当前项目使用的虚拟环境：

点击左下角的【Terminal】,可以看出使用的虚拟环境

或者在当前项目下新建一个test-p.py文件，输入如下代码并运行

import sys
print(sys.prefix)

截图如下,可以看出使用的是yolov10虚拟环境以及虚拟环境的路径：

6.pycharm中添加镜像地址

添加镜像可以加快下载依赖包的速度。

点击图标【Python Packages】--点击设置按钮【Manage respositories】

点击【+】--在【Name】处随意更改名字，然后在【Repository URL】填上镜像源地址，最后点击【OK】

一些镜像地址：

1.清华大学镜像源：https://pypi.tuna.tsinghua.edu.cn/simple/

2.阿里云镜像源：http://mirrors.aliyun.com/pypi/simple/

3.中国科技大学镜像源：https://pypi.mirrors.ustc.edu.cn/simple/

7.安装GPU版本的torch

torch官网：Previous PyTorch Versions | PyTorch

选择和CUDA对应的torch版本（前面自己已经安装的版本），然后复制

  • 进入pycharm，点击【Teminal】，进入yolov10虚拟环境之后，粘贴上面复杂的torch版本进行安装（然后等待安装完成）

8.安装其他的项目依赖

左下角终端打开，安装项目依赖，执行命令：pip install -r requirements.txt

如果没有requirements.txt这个文件，可以直接在项目下新建这个文件，将下面的内容复制进去

torch==2.0.1
torchvision==0.15.2
onnx==1.14.0
onnxruntime==1.15.1
pycocotools==2.0.7
PyYAML==6.0.1
scipy==1.13.0
onnxsim==0.4.36
onnxruntime-gpu==1.18.0
gradio==4.31.5
opencv-python==4.9.0.80
psutil==5.9.8
py-cpuinfo==9.0.0
huggingface-hub==0.23.2
safetensors==0.4.3

9.以训练NEU-DET数据集为例训练模型

9.1创建数据集

数据集下载地址：

链接：https://pan.baidu.com/s/1peB3kd6T7xNoKnjxsrKHuw?pwd=xqcm 
提取码：xqcm

然后将下载的数据集解压之后放在项目的data目录（如何没有此目录，自己创建一个）下。

9.2 创建数据集的配置文件NEU-DET.yaml文件

在项目的【ultralytics/cfg/datasets】目录下新建一个NEU-DET.yaml，内容如下

path: D:/YOLO/YOLOv10/data/NEU-DET # 注意修改自己NEU-DET数据集的路径
train: train/images  # train images
val: val/images  # val images
test: test/images  # test images

# Classes

names:
  0: crazing
  1: inclusion
  2: patches
  3: pitted_surface
  4: rolled-in_scale
  5: scratches

截图如下

9.3 创建模型对象yolov10-neu-det.yaml

在项目的【ultralytics/cfg/models/v10】目录下新建一个yolov10-neu-det.yaml，代码如下

# Parameters
nc: 6 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024] 

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, SCDown, [512, 3, 2]] # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, SCDown, [1024, 3, 2]] # 7-P5/32
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]] # 9
  - [-1, 1, PSA, [1024]] # 10

# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 6], 1, Concat, [1]] # cat backbone P4
  - [-1, 3, C2f, [512]] # 13

  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 4], 1, Concat, [1]] # cat backbone P3
  - [-1, 3, C2f, [256]] # 16 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 13], 1, Concat, [1]] # cat head P4
  - [-1, 3, C2f, [512]] # 19 (P4/16-medium)

  - [-1, 1, SCDown, [512, 3, 2]]
  - [[-1, 10], 1, Concat, [1]] # cat head P5
  - [-1, 3, C2fCIB, [1024, True, True]] # 22 (P5/32-large)

  - [[16, 19, 22], 1, v10Detect, [nc]] # Detect(P3, P4, P5)

截图如下：

9.4 创建train.py文件方便后续的训练

在项目的根目录下创建train.py文件方便后续的训练，后面主需要运行train.py文件就可以再次进行训练了，不必每次都需要出入一次运行命令

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLOv10

if __name__ == '__main__':
    model = YOLOv10('ultralytics/cfg/models/v10/yolov10-neu-det.yaml')   # 指定YOLO模型对象，并加载指定配置文件中的模型配置
    #model.load('yolov10s.pt')      #加载预训练的权重文件'yolov10s.pt'，加速训练并提升模型性能
    model.train(data='ultralytics/cfg/datasets/NEU-DET.yaml',   # 指定训练数据集的配置文件路径，这个.yaml文件包含了数据集的路径和类别信息
                cache=False,  # 是否缓存数据集以加快后续训练速度，False表示不缓存
                imgsz=640,    # 指定训练时使用的图像尺寸，640表示将输入图像调整为640x640像素
                epochs=200,   # 设置训练的总轮数为200轮
                batch=16,      # 设置每个训练批次的大小为16，即每次更新模型时使用16张图片
                close_mosaic=10,  # 设置在训练结束前多少轮关闭 Mosaic 数据增强，10 表示在训练的最后 10 轮中关闭 Mosaic
                workers=8,       # 设置用于数据加载的线程数为8，更多线程可以加快数据加载速度
                patience=50,     # 在训练时，如果经过50轮性能没有提升，则停止训练（早停机制）
                device='0',      # 指定使用的设备，'0'表示使用第一块GPU进行训练
                optimizer='SGD', #设置优化器为SGD（随机梯度下降），用于模型参数更新
                )

截图如下：

9.5模型训练的成功截图

模型训练的结果保存在项目的【run/detect】目录下

到此，环境的搭建以及模型的训练就完成了！！！

F8000
关注
  • 17
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
YOLOv8（源码）.rar
03-22
YOLOv8（源码）.rar
yolov8学习笔记（二）模型训练
Pan_peter的博客
02-25 2971
首先，我们将了解如何通过标记数据集来制作用于训练的数据集，并提供了相关的操作指南链接。接着，我们将介绍YOLOv8的模型训练过程，包括参数设置、跟踪模型性能变化等内容，并提供了一些有用的训练参数和工具。 在进行模型训练之前，我们还需要购买适合的服务器，并上传必要的文件和库。同时，我们还会介绍如何使用TensorBoard等工具来监控训练过程中的参数和性能指标。 在完成模型训练后，我们可以使用模型进行验证和推理预测。这些操作可帮助我们评估模型的质量和准确性，并应用于不同类型的输入数据
YOLOV8模型训练+部署（实战）
AI小花猫的博客
06-07 5万+
YOLOV8模型改进点简介、模型转ONNX以及TRT engine、python版本TRT推理、C++版本TRT推理详解
YOLOv8超详细环境搭建以及模型训练（GPU版本）
最新发布
2401_85556416的博客
08-21 775
YOLOv8超详细环境搭建，以及以NEU-DET数据集为为例进行模型的训练
如何使用YOLOV8训练自己的目标检测模型
qq_42681787的博客
01-28 5257
用yolo8在自己的数据集上训练模型首先需要配置好YOLO8的环境，如果不会配置YOLO8环境可以参考。
Yolov8使用gpu训练环境搭建教程 训练素材
04-24
总结，本教程涵盖了YOLOv8在GPU环境下的训练过程，包括环境搭建、依赖库安装、数据集处理、模型训练以及模型评估。通过这个过程，你可以掌握目标检测模型的训练方法，并为进一步优化和应用打下基础。
使用darknet（windows GPU 版本） yolov3 训练自己的第一个检测模型.pdf
09-24
在使用Darknet（Windows GPU版本）Yolov3训练自己的第一个检测模型的过程中，需要注意的几个关键知识点包括环境配置、模型训练、数据准备以及代码编译。以下是对各个阶段进行的详细解读： 1. Windows GPU版本...
c# emgucv4.6.0版本gpu推理yolov7-tiny，darknet版本
10-30
在本文中，我们将深入探讨如何在C#环境中利用EMGU CV 4.6.0版本与Darknet框架，实现GPU加速的YOLOv7-tiny和YOLOv7目标检测。标题提到的关键技术点包括C#编程语言、EMGU CV库、Darknet框架以及GPU推理，特别是对于RTX...
C++ OnnxRuntime部署yolov8模型
07-20
YOLO（You Only Look Once）是一种广泛应用于目标检测的深度学习模型，它的最新版本是YOLOv8。本文将深入探讨如何使用C++配合ONNXRuntime来部署YOLOv8模型，实现高效的实时目标检测。 首先，让我们了解YOLOv8。...
yolov3使用教程(从tensorflow-gpu环境搭建到迁移学习).pdf
04-21
本文档为本人在使用github上keras-yolov3-master项目（作者：qqwweee）的使用教程笔记，清楚记录了从tensorflow-gpu环境搭建到复现voc数据集的模型训练及预测，及最后实现迁移学习对神经元胞体的预测整个流程。...
windows使用YOLOv8训练自己的模型（0基础保姆级教学）
Pan_peter的博客
04-02 3万+
一、使用labelimg制作数据集 1.1、下载labelimg 1.2、安装库并启动labelimg 1.4、制作YOLO数据集 二、使用YOLOv8训练模型 2.1、下载库——ultralytics （记得换源） 2.2、数据模板下载 2.3、开始训练 1、启动train.py，进行训练 2、我们可以直接使用命令进行训练 三、其他问题 1、训练时，为什么会生成labels.cache文件？ 2、YOLOv8的训练图像和相应的标注文件应该放同一个文件夹里吗？还是应该分开放？
AI菜鸟向前飞 — LLM简介
2401_82469710的博客
05-11 547
AI菜鸟向前飞 — LLM简介
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 4725
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
YOLOv8训练参数详解（全面详细、重点突出、大白话阐述小白也能看懂）
热门推荐
qq_37553692的博客
05-27 7万+
model: 模型文件的路径。这个参数指定了所使用的模型文件的位置，例如 yolov8n.pt 或 yolov8n.yaml。模型文件包含了已经训练好的模型的权重和结构。 data: 数据文件的路径。该参数指定了数据集文件的位置，例如 coco128.yaml。数据集文件包含了训练和验证所需的图像、标签和其他数据的信息。 epochs: 训练的轮数。这个参数确定了模型将会被训练多少次，每一轮都遍历整个训练数据集。训练的轮数越多，模型对数据的学习就越充分，但也增加了训练时间。
YOLOv8的训练、验证、预测及导出[目标检测实践篇]
ice
05-05 1万+
主要介绍如何使用YOLOv8训练自己的数据集，并进行验证、预测及导出，采用代码和指令的两种方式。
yolov8系列(三)-训练自己的模型
GeekPlusA的博客
05-23 649
yolov8训练自己的模型
在Windows上离线安装指定版本的Pytorch（以CUDA11.8版本为例）
AnChenliang_1002的博客
07-31 155
我们都知道，通过 pip或conda在线安装Pytorch是非常方便的 ，但是有时候网络环境受到限制，比如公司的工作站（无法连接网络）或者机房的教学机器等等，只能通过离线的方式安装Pytorch；今天就来记录一下离线安装Pytorch的过程。并记录了遇到的问题及解决过程。对于深度学习 环境搭建来说，选择Pytorch的版本是非常重要的，尤其是对于GPU的机器，不同版本的CUDA也对应着不同版本的Pytorch；本文以CUDA11.8为例，离线安装CUDA11.8对应的Pytorch。
关于yolov8一些训练的情况
qianxun
01-15 1万+
1、使用yolov8s训练(2000轮，真就一直训到了2000轮，不会象是yolov5一样收敛了就不训了)第一次map50=0.915，第一次训练依旧是2000轮，依旧是训练跑完2000轮了，map=0.91,map相差了0.5个点。(训练结果被我删除了，因为上面那个错误，然后我把run文件夹全部删除了。可以看到s模型640得map已经达到了44.9，v8n得map也已经达到了37.3，很强了，但是实际上是怎么样呢，我使用个人数据集进行了测试，本人得数据集在偏向于小目标，只有一类。
YOLOv8训练自己的数据集(超详细)
datayx的文章
03-01 2万+
向AI转型的程序员都关注了这个号????????????一、准备深度学习环境本人的笔记本电脑系统是：Windows10YOLO系列最新版本的YOLOv8已经发布了，详细介绍可以参考我前面写的博客，目前ultralytics已经发布了部分代码以及说明，可以在github上下载YOLOv8代码，代码文件夹中会有requirements.txt文件，里面描述了所需要的安装包。本文最终安装的pytorch版本是1.8.1，...
yolov5环境配置搭建gpu
03-29
1. 安装CUDA和cuDNN 在安装YOLOv5之前，需要先安装CUDA和cuDNN。CUDA是一种用于GPU加速计算的平台，而cuDNN是一个用于深度神经网络的库。YOLOv5需要CUDA 10.2和cuDNN 7.6.5或更高版本。 可以从NVIDIA官网上下载CUDA和cuDNN安装文件。安装过程中需要注意选择相应的操作系统和GPU型号。 2. 安装Python和必要的库 YOLOv5是用Python编写的，需要安装Python和一些必要的库。建议使用Anaconda进行安装，这样可以方便地管理Python环境和库的依赖关系。 可以从Anaconda官网上下载安装文件，安装过程中需要注意选择相应的操作系统和Python版本。安装完成后，可以使用conda命令安装必要的库，如下所示： conda install numpy opencv scipy matplotlib pillow 3. 下载YOLOv5源代码 可以从YOLOv5的GitHub仓库中下载源代码，使用git命令可以方便地进行版本控制和更新。打开终端，进入要下载代码的目录，执行以下命令： git clone https://github.com/ultralytics/yolov5.git 4. 下载预训练模型 YOLOv5提供了预训练模型，可以从官网上下载。下载完成后，将预训练模型放入yolov5目录下的weights文件夹中。 5. 运行YOLOv5 在终端中进入yolov5目录，执行以下命令即可运行YOLOv5： python detect.py --weights weights/yolov5s.pt --img 640 --conf 0.4 --source 0 其中，--weights参数指定了预训练模型的路径，--img参数指定了输入图像的大小，--conf参数指定了置信度阈值，--source参数指定了输入源，可以是摄像头、视频文件或图像文件。 如果要使用GPU进行加速，需要在命令中添加--device参数，如下所示： python detect.py --weights weights/yolov5s.pt --img 640 --conf 0.4 --source 0 --device 0 其中，--device参数指定了使用的GPU设备编号，可以是0、1、2等。如果有多个GPU，可以指定多个设备编号，如--device 0,1,2。
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