YOLOv5超详细环境搭建以及模型训练（GPU版本）

已于 2025-04-24 22:22:05 修改
阅读量6.2k 收藏 115
点赞数 55
分类专栏： YOLOv5/v8/v10/v11环境配置手册 文章标签： python 开发语言
于 2024-08-24 10:37:39 首次发布
F8000
本文链接：https://blog.csdn.net/2401_85556416/article/details/141495837
版权

YOLOv5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）

1.2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）

4.打开项目

4.1 然后打开yolov5项目

5.在Pycharm中调用yolov5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yolov5-neu-det.yaml

9.4 修改train.py文件训练模型

9.5模型训练的成功截图

QQ交流群：安装的过程中有什么问题大家一起交流

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 yolov5 python=3.11.4

其中：yolov5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 yolov5

激活成功后，前面的base会替换成yolov5

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 yolov5 --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：【BUG】使用Anaconda3创建虚拟环境时，总是安装到C盘全局默认路径，而不是安装到自定义的Anaconda的envs目录下的解决方法_为什么创建的虚拟环境在c盘-CSDN博客

4.打开项目

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

yolov5官网下载地址：https://github.com/ultralytics/yolov5

yolov5百度网盘下载地址链接：百度网盘 请输入提取码

提取码：qcaj

yolov5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yolov5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yolov5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yolov5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yolov5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

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：百度网盘 请输入提取码 

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【data】目录下新建一个NEU-DET.yaml，内容如下

path: D:/YOLO/YOLOv5/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yolov5-neu-det.yaml

在项目的【models】目录下新建一个yolov5-neu-det.yaml，代码如下

# YOLOv5 🚀 by Ultralytics, AGPL-3.0 license

# Parameters
nc: 6 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.25 # layer channel multiple
anchors:
  - [10, 13, 16, 30, 33, 23] # P3/8
  - [30, 61, 62, 45, 59, 119] # P4/16
  - [116, 90, 156, 198, 373, 326] # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [
    [-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
    [-1, 1, Conv, [128, 3, 2]], # 1-P2/4
    [-1, 3, C3, [128]],
    [-1, 1, Conv, [256, 3, 2]], # 3-P3/8
    [-1, 6, C3, [256]],
    [-1, 1, Conv, [512, 3, 2]], # 5-P4/16
    [-1, 9, C3, [512]],
    [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
    [-1, 3, C3, [1024]],
    [-1, 1, SPPF, [1024, 5]], # 9
  ]

# YOLOv5 v6.0 head
head: [
    [-1, 1, Conv, [512, 1, 1]],
    [-1, 1, nn.Upsample, [None, 2, "nearest"]],
    [[-1, 6], 1, Concat, [1]], # cat backbone P4
    [-1, 3, C3, [512, False]], # 13

    [-1, 1, Conv, [256, 1, 1]],
    [-1, 1, nn.Upsample, [None, 2, "nearest"]],
    [[-1, 4], 1, Concat, [1]], # cat backbone P3
    [-1, 3, C3, [256, False]], # 17 (P3/8-small)

    [-1, 1, Conv, [256, 3, 2]],
    [[-1, 14], 1, Concat, [1]], # cat head P4
    [-1, 3, C3, [512, False]], # 20 (P4/16-medium)

    [-1, 1, Conv, [512, 3, 2]],
    [[-1, 10], 1, Concat, [1]], # cat head P5
    [-1, 3, C3, [1024, False]], # 23 (P5/32-large)

    [[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
  ]

截图如下：

9.4 修改train.py文件训练模型

这里只修改YOLO模型对象和数据集配置文件，改为自己刚刚创建的文件，其余选择默认

9.5模型训练的成功截图

模型训练的结果保存在项目的【runs\train】目录下

到此，环境的搭建以及模型的训练就完成了！！！

QQ交流群：安装的过程中有什么问题大家一起交流

YOLOv5环境搭建
weixin_47060902的博客
03-12 5300
要搭建YOLOv5环境就首先要安装Anaconda，关于Anaconda的安装方法，参考我的另外一篇博客，Anaconda配置安装，亲测有效_weixin_47060902的博客-CSDN博客 Anaconda安装完成之后，首先要创建YOLOv5的虚拟环境， conda create -n yolov5 python=3.8 可以在anaconda输入 conda env list 查看创建了哪些虚拟环境。 之后要更换镜像源，推荐使用清华镜像源 conda config --remov
【YOLO系列】YOLOv5超详细解读（源码详解＋入门实践＋改进）
热门推荐
路人贾的博客
03-03 20万+
一文带你详细了解YOLOv5（含YOLO系列论文讲解+源码详解+入门实践+算法改进）
yolov5l.pt yolov5 模型 下载
04-07
yolov5 模型 yolov5l.pt 下载
《深度学习》——YOLOv5详解
will be blogging
03-30 2670
YOLOv5 是一种目标检测算法，属于 YOLO（You Only Look Once）系列的第5代版本。YOLOv5 是一个广泛使用的目标检测算法，它基于 YOLO（You Only Look Once）系列的思想，具有速度快、精度高的特点。它和YOLOv4的区别是v4是属于学术上的，而v5增加了工程上的使用。它在目标检测领域有着重要地位，结合了许多先进的技术，在速度和精度上取得了较好的平衡。主要特点。
yolov5超详细环境搭建和模型训练
qq_47540436的博客
07-06 1万+
第一部分 算法环境搭建。
YOLOv5 gpu 训练自定义模型 训练
紫蝶侠的博客
09-15 6302
复制一份，比如为path: ../datasets/CHV_dataset # 数据所在目录train: images/train # 训练集图片所在位置（相对于path）val: images/val # 验证集图片所在位置（相对于path）test: # 测试集图片所在位置（相对于path）（可选）# 类别nc: 6 # 类别数量。
yolov5训练--GPU训练
MR_Colorful的博客
02-11 1413
在训练深度学习模型时，通常需要处理大量的数据。GPU的高带宽内存和并行处理能力使其能够更高效地处理大规模数据。，大大缩短训练时间。本文主要记录自己在使用GPU训练YOLOV5所遇到的问题和解决方案。
yolov5使用GPU进行训练：cuda 12.1 + torch-2.3.0 + py38环境详细搭建
AperOdry的博客
05-18 4528
详细搭建yolov5的GPU训练环境
YOLOv5使用GPU训练
qq_48060228的博客
04-14 1万+
前提：yolov5在CPU训练可以进行后，想改用GPU提速遇到问题。 原因：自己的torch下的是CPU版本。 方法：重新创建一个解释器。 step1：conda remove -n yolo --all step2：conda create -n yolov5 python=3.8 step3: 激活解释器，去PyTorch官网下载对应GPU版本的torch（用pip下载） step4：把yolov5文件下的requestments.txt文件里的torch、torchvirsion注释掉
手把手教你搭建YOLOv5：从环境配置到模型训练.txt
09-29
YOLOv5有多个预训练模型版本（YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x），用户可根据具体需求选择合适的模型进行工作。 在搭建YOLOv5环境前，需要满足一定的硬件和软件环境要求。硬件上，必须拥有GPU，推荐使用NVIDIA...
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。
《YOLOv8实战：打造专属目标检测模型全攻略》，基于YOLOv8的目标检测模型训练与优化，从环境搭建到模型评估全流程指南
最新发布
04-30
随后，详细讲解了YOLOv8的环境搭建，包括硬件准备（如GPU的选择和驱动安装）和软件环境配置（如Anaconda、PyTorch和Ultralytics库的安装）。接着，重点阐述了数据集准备的各个环节，包括数据收集、数据标注（使用...
YOLOV5-7.0 环境搭建+训练数据集+目标检测实现 详细步骤
weixin_70601392的博客
08-07 9020
关于这一部分的前段时间花了很长时间，踩了很多坑走了很多弯路，由于目前课题已接近尾声，今天一次性把yolo这一部分个人经验总结出来，有些部分并非原创，如遇到问题可以留言讨论，共同进步。
yoloV5环境搭建
06-04 344
一个是data目录下的相应的yaml文件，一个是model目录文件下的相应的yaml文件。├─ train # 下面放训练集标签。├─ test # 下面放测试集标签。│ ├─ train # 下面放训练集图片。├─ val # 下面放验证集标签。│ ├─ test # 下面放测试集图片。│ └─ val # 下面放验证集图片。1,创建python3.11.1虚拟环境。4，标注工具labelimg安装。2，下载yolov5项目。最新yolov8项目地址。
使用yolov5训练自己的数据集（GPU版本）
Lewis的博客
08-31 5694
由于yolov5版本众多，本人用的是最新的7.0版本Python=3.9Cuda=11.3注意：此版本需要Python版本要大于等于3.8.0，PyTorch版本大于等于1.8。
Yolov5环境搭建
qq_41149253的博客
06-12 3157
Yolov5环境搭建安装教程
YOLOV5 GPU训练
qq_42278595的博客
08-23 975
yolov5 GPU训练
关于YOLOv5的训练，GPU单卡、多卡设置，加速训练
qq_44442727的博客
12-22 9757
yolov5毫无疑问是目前目标检测框架中非常准确快速的检测框架之一，在工业界和学术界应用广泛，其优势不言而喻。在模型训练或推理时，我们都想快速完成，特别是数据量很大的时候，效率就是非常迫切需要提升的。这里简单介绍一下yolov5的多种训练方法，便于理解深度学习的模型训练方法，同时基于自身的硬件条件选择高效的训练方法。如果条件允许，首推的是多卡DDP训练模式。
yolov5使用gpu训练
05-01
YOLOv5是一种非常快速和高效的目标检测算法，它可以在短时间内处理大量图像和视频数据。为了实现这个目标，YOLOv5使用了GPU来训练模型。 GPU（图形处理器）是一种强大的计算设备，它具有大量的并行处理单元，可提高计算速度。通过在GPU上训练模型，YOLOv5可以利用这些并行处理单元来加速数据处理和指令执行，从而提高训练速度和准确性。 在使用YOLOv5时，用户可以选择使用不同的GPU进行训练。最常用的GPU是NVIDIA的GPU，这些GPU具有高性能和低延迟。此外，YOLOv5还支持Microsoft Azure平台上的基于GPU的实例，以加快训练速度。 总之，使用GPU训练YOLOv5可以显着缩短训练时间和提高准确性，使其成为一种非常有效的目标检测算法。
评论 6
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