Yolov5——pytorch环境搭建

Yolov5——pytorch环境搭建:

一. 准备工作:Cuda 、Anaconda安装、yolov5源码下载

1.cuda版本查看:

如果没有下载cuda的话,自行百度即可。

查看本机电脑cuda版本的方法:

方法一:

  1. 在电脑桌面右击选中NVDIA控制面板
    在这里插入图片描述

  2. 打开界面后点击左下角系统信息
    在这里插入图片描述

  3. 点击组件后,在产品名称一栏即可查看CUDA版本
    在这里插入图片描述

方法二:

win+R打开cmd,输入nvidia-smi
在这里插入图片描述
附上cuda安装教程:cuda安装教程

2.annacoda安装:

使用百度等引擎搜索anaconda进入官网之后下载即可(建议使用安装包,省得自己再去配置环境变量,麻烦,一步到位)按照网上的教程一直安装就好了。

附上一篇大佬的安装教程:Anaconda的详细安装步骤图文并茂
附上annaconda3-5.2版本的安装包
百度云链接:下载地址
提取码:gs16

创建pytorch环境:
安装annaconda完之后,我们需要新建pytorch环境,(annaconda安装完成之后会自带一个base环境,里面包括了一些常用的python第三方库类,但并不包括torch,因此我们需要建立一个带有torch的python编译环境,当然,你也可以选择用base环境来安装torch,不过安装时要注意base环境下的python版本需要与torch版本对应)

打开cmd执行代码:

# 创建了名叫pytorch,python版本为3.7的新环境
conda create -n pytorch python=3.7  

3.下载YOLOv5 github项目

点击前往yolov5GitHub源码地址
在这里插入图片描述
把压缩包解压到指定目录就行。

二. 安装pytorch及yolov5相关第三方库

1.pytorch安装:

  1. 如果你的电脑已经安装了cuda,可以按照你自己的cuda版本下载pytorch对应版本的离线whl文件进行即可。
    推荐使用离线安装,在线太慢了。。。。。。
    torch相关下载地址:https://download.pytorch.org/whl/torch_stable.html
    打开网页后CTRL+F 快速搜索需要安装的torch版本
    比如:我的cuda版本是11,创建pycorch环境的python版本是3.7则搜索:
    ctrl+f 输入cu11然后找到对应的cp37(cp37即python3.7)选择合适版本点击下载即可
    在这里插入图片描述

    2.打开cmd执行代码进行安装即可:

    # 激活名为pytorch的环境
    activate pytorch
    # 跳转到安装好的whl文件目录下
    cd C:\Users\17394\Downloads
    # pip安装下载好的whl文件
    pip install torch-1.7.1+cu110-cp37-cp37m-win_amd64.whl
    pip install torchvision-0.8.2+cu110-cp37-cp37m-win_amd64.whl
    

    3.安装yolov5所需的第三方库:
    yolov5项目下载解压后有一个requirements.txt文件

    继续执行以下代码安装即可:

    pip install requirements.txt
    

    (安装pycocotools库需要先安装Cython)

三、配置pycharm打开yolov5项目

1.打开yolov5项目修改python解释器

  1. CTRL+ALT+S 打开设置

  2. 执行以下步骤
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    如果找不到的话可以打开cmd执行以下代码:

    # 查找已经创建的环境
    conda info -e
    

在这里插入图片描述
到此yolov5的环境就已经搭建好了!!!
如果有写的不好的地方还请斧正!!!!

  • 10
    点赞
  • 51
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
PyTorch中搭建Yolov2的过程可以参考以下步骤: 1. 导入所需的库和模块: ```python import torch import torch.nn as nn ``` 2. 定义Yolov2的backbone模型,使用Darknet19作为特征提取网络: ```python class Darknet19(nn.Module): def __init__(self): super(Darknet19, self).__init__() # 定义网络结构 # ... def forward(self, x): # 前向传播过程 # ... return out ``` 3. 定义Yolov2的卷积模块: ```python class Conv(nn.Module): def __init__(self, in_channels, out_channels, kernel_size, stride): super(Conv, self).__init__() # 定义卷积层结构 # ... def forward(self, x): # 前向传播过程 # ... return out ``` 4. 定义Yolov2的Passthrough层: ```python class Passthrough(nn.Module): def __init__(self, in_channels, out_channels): super(Passthrough, self).__init__() # 定义Passthrough层结构 # ... def forward(self, x): # 前向传播过程 # ... return out ``` 5. 定义Yolov2的主干特征提取网络,包括多分支堆叠模块和过渡模块: ```python class Yolov2(nn.Module): def __init__(self): super(Yolov2, self).__init__() # 定义网络结构 # ... def forward(self, x): # 前向传播过程 # ... return out ``` 6. 创建Yolov2的实例并进行训练或推理: ```python model = Yolov2() # 进行训练或推理 # ... ``` 以上是一个简单的搭建Yolov2的示例,具体的网络结构和参数设置可以根据实际需求进行调整和修改。在搭建过程中,可以参考引用\[1\]和引用\[3\]中的代码片段和说明来设计网络的具体结构和模块的功能。 #### 引用[.reference_title] - *1* *3* [睿智的目标检测61——Pytorch搭建YoloV7目标检测平台](https://blog.csdn.net/weixin_44791964/article/details/125827160)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [Yolov2模型——pytorch实现](https://blog.csdn.net/Peach_____/article/details/128758750)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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