Ubuntu20.04配置深度学习+yolov5+yolov7环境

nonobodyyy

已于 2024-06-17 10:59:46 修改

阅读量1.5k

点赞数 19

文章标签：深度学习 YOLO 人工智能

于 2024-04-29 16:42:43 首次发布

本文链接：https://blog.csdn.net/nonobodyyy/article/details/138314402

版权

本文详细指导了在Ubuntu20.04系统上配置GPU驱动、安装Anaconda、不同Python环境管理、PyTorchCPU/GPU版本、TensorFlow、以及YOLOv5和YOLOv7模型的安装步骤，适用于深度学习开发者。

摘要由CSDN通过智能技术生成

我的配置：（配置不同软件版本要求不同，建议查一查先）

ubuntu20.04

RTX4070ti

NVIDIA-SMI 550.78

CUDA Version: 12.4 (最高支持12.4但我装的12.1)

一、换国内源

换好后更新一下

sudo apt update
sudo apt upgrade

二、安装gpu驱动

1.禁用nouveau

sudo gedit /etc/modprobe.d/blacklist.conf

文件最后一行添加

blacklist nouveau

保存后终端运行

sudo update-initramfs -u

2.卸载旧的驱动（第一次安装驱动，可省略）

3.安装gcc

sudo apt install gcc

4.下载安装对应版本的gpu驱动及验证

具体参考B站Ubuntu安装NVIDIA显卡驱动

三、Anaconda安装

1.安装Anaconda

下载对应版本anaconda下载链接 64bit（x86）

cd到下在文件所在目录进行安装

bash Anaconda3-2024.02-1-Linux-x86_64.sh

然后一直按回车键，直到出现“Do you accept the license terms”, 输入“yes”

出现“Anaconda3 will now be installed into this location: /home/xxx/anaconda3”，直接按回车键安装在该目录中。

出现“Do you wish the installer to initialize Anaconda3 by running condo init?”, 输入“no”。

这时anaconda已经基本安装完成了。

2.区分Ubuntu自带python和anaconda中的python

Linux中会自带python, Ubuntu20.04中自带python3,已经没有python2了。这时不区分不影响anaconda的正常使用，但pytorch和tensorflow对这Linux中自带的python3和anaconda中的python的使用需求不同，后期需要进行两者的切换。

cd到根目录

cd ~

安装vim

sudo apt install vim

用vim打开.bashrc文件，并进行修改。

sudo vim .bashrc \\利用vim打开.bashrc文件

输入小写字母i，进行vim的编辑模式。此时可以在.bashrc文件进行编辑了，在文件最后加入以下命令：

alias python3="/usr/bin/python3.8"\\给系统自带的python起一个别名，就叫python3
export PATH="/home/xxx/anaconda3/bin:$PATH"\\anaconda3中的python

然后按下esc键，再输入:wq!后按回车。

继续在终端中对刚才修改的. bashrc文件执行以下。

source .bashrc

python \\本条命令应该启动anaconda3中的python
exit() \\退出
python3 \\本条命令应该启动系统的python
exit() \\退出

3.创建Deeplearning的环境

\\这步中Deeplearning可以换成任何你喜欢的名字(建议短一点)
conda create -n Deeplearning python=3.11   \\3.11是anaconda中的python版本
\\查看你创建的环境
conda env list
\\激活创建的环境
conda activate Deeplearning
\\关闭环境
conda deactivate

【注】：有时候conda activate Deeplearning语句会提示错误，将该句换为“source activate Deeplearning”即可，之后输入conda的任何命令都可以正常进行了。

4.本文所有步骤完成后如需再新建一个环境，只需要重复步骤四、八

5.如需删除环境

conda env list \\查看创建的环境列表
conda uninstall -n Deeplearning --all

四、pytorch-cpu版本安装

1.安装

激活你创建的Deeplearning环境

conda activate Deeplearning \\Deeplearning是我上面起的名字

根据情况选择安装语句，下载地址：PyTorch

我装的2.1.1

conda install pytorch==2.1.1 torchvision==0.16.1 torchaudio==2.1.1 cpuonly -c pytorch

2.测试

1. 进入python界面的语句和上一节“区分Ubuntu自带python和anaconda中的python”中你设置的alias有关；

2. import torch语句执行后，若无任何提示，撒花！恭喜你：pytorch安装成功！若提示没有该模块，回去检查吧，哪步有问题，再重新开始执行；

3. 输入exit()或者按ctrl+d退出python执行界面。

python \\进入python执行界面
import torch \\若无任何提示，安装成功
exit() \\退出python执行界面

五、cuda安装

1.安装cuda

下载地址：CUDA

由于系统不同，每个人安装cuda的语句不尽相同

选择对应的版本，我安装的是12.1.0

然后直接根据下载页面的语句提示安装即可。

"Do you accept the above EULA?"输入accept

然后将Driver前面的选项按回车去掉，其他的保持不动，选择“Install”，稍等几分钟就装好了。

2.配置环境

类似于以上章节中区分两种python的环境，这里也要打开.bashrc文件添加路径。

sudo vim ~/.bashrc \\进入vim界面。输入字母i，进入编辑模式
\\在bashrc文件中输入以下命令，注意修改你的cuda版本
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-12.1/lib64
export PATH=$PATH:/usr/local/cuda-12.1/bin
export CUDA_HOME=$CUDA_HOME:/usr/local/cuda-12.1
\\输入完成后，点击esc键并输入:wq!后按回车

\\这时候返回终端了
source ~/.bashrc \\运行.bashrc文件

3.安装完成检查

nvcc --version

若出现以下的界面，则表示cuda安装完成。

4.切换CUDA版本

在任一终端执行sudo gedit ~/.bashrc，打开环境变量配置文本。将里面所有与cuda有关的带版本号路径都改为无版本号的。比如我之前已经安装好了cuda12.1，然后当时配置环境变量时，有许多/usr/local/cuda-12.1/这样的路径，要做的就是把所有的-12.1都去掉。

修改好之后，保存并关闭文件，然后在终端执行命令source ~/.bashrc使环境变量的修改生效。
然后，要切换cuda版本的时候，直接建立对应的软链接即可，命令如下：

sudo rm -rf /usr/local/cuda    #删除之前创建的软链接
sudo ln -s /usr/local/cuda-11.3 /usr/local/cuda    #创建链接到cuda11.3的软链接
nvcc --version    #查看当前cuda版本

如果要更改回去，则只需要执行类似上面的命令即可。

六、cudnn安装

cudnn的安装相比以上过程就简洁多了，但是在Nvidia下载cudnn文件时稍微有点麻烦，需要先注册一个Nvidia账号，再填写一个调查问卷。

然后才能进入cudnn的正式下载页面。下载地址:cudnn

根据cuda版本和电脑系统，选择合适的cudnn进行下载

我下载的是v8.9.6 for cuda12.x Linux x86_64版本

下载好后，将.tz文件进行解压缩，并打开终端，进入解压缩后的目录。以/home/xxx/下载为例。

cd /home/xxx/下载 \\cd到下载目录

输入以下命令：

sudo cp cuda/include/cudnn*.h /usr/local/cuda-12.1/include/
 
sudo cp cuda/lib/libcudnn* /usr/local/cuda-12.1/lib64/
 
sudo chmod a+r /usr/local/cuda-12.1/include/cudnn*.h /usr/local/cuda-12.1/lib64/libcudnn*

七、pytorch-gpu安装

在“四、pytorch-cpu安装”中已经展示了如何安装pytorch-cpu版本了，这可以让你在不使用gpu时也能对代码进行调试验证，也就是import torch是可以正常导入的，但torch.cuda.is_available()会返回False。这时我们安装pytorch-gpu版本。

conda install pytorch==2.1.1 torchvision==0.16.1 torchaudio==2.1.1 pytorch-cuda=12.1 -c pytorch -c nvidia

原文用官网能装上但我装不上，在验证阶段一直返回false。

解决办法：去清华大学镜像站下载链接：清华镜像

cd到下载目录，在虚拟环境中离线安装

source activate Deeplearning \\激活你创建的虚拟环境

conda install --offline pytorch-2.1.1-py3.11_cuda12.1_cudnn8.9.2_0.tar.bz2

conda install --offline torchaudio-2.1.1-py311_cu121.tar.bz2

conda install --offline torchvision-0.16.1-py311_cu121.tar.bz2

最后验证:

source activate Deeplearning \\激活你创建的虚拟环境
python \\运行python (启动命令与你上文中起的别名有关)
import torch \\导入torch模块,这里应该没有任何输出
torch.cuda.is_available() \\输出True则安装成功
exit() \\退出python
conda deactivate Deeplearning \\退出虚拟环境

八、tensorflow安装

创建新环境

conda create -n tsfl python=3.11

激活环境

source activate tsfl

安装

pip install tensorflow==2.15.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

验证

python
import tensorflow as tf
tf.test.is_gpu_available()

信息太多了修改一下显示范围

import os

# os.environ["TF_CPP_MIN_LOG_LEVEL"] = "0"  # 默认等级，显示所有信息INFO、WARNING、ERROR、FATAL
# os.environ["TF_CPP_MIN_LOG_LEVEL"] = "1"  # 显示WARNING、ERROR、FATAL
# os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"  # 显示ERROR、FATAL
# os.environ["TF_CPP_MIN_LOG_LEVEL"] = "3"  # 显示FATAL

os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"

再验证一下

tf.test.is_gpu_available()

返回true,应该成功了吧

>>> tf.test.is_gpu_available()
WARNING:tensorflow:From <stdin>:1: is_gpu_available (from tensorflow.python.framework.test_util) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.config.list_physical_devices('GPU')` instead.
True

九、yolov5配置

1.github下载压缩包

git clone https://github.com/ultralytics/yolov5.git

2.下载依赖

激活创建的虚拟环境

source activate Deeplearning \\激活你创建的虚拟环境

cd到clone下来的yolov5文件夹下，下载环境所需的依赖输入命令

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

等待pip自动下载所需要的依赖。-i 参数是从清华镜像中下载依赖包，如果不加，则从国外源下载，不仅速度慢，还容易下载失败。

3.下载权重文件

一般下yolov5l.pt、yolov5m.pt、yolov5s.pt、yolov5x.pt就够用，s是最小的，速度最快，但是精度不高。放到工程路径下的weights文件夹中。

4.测试

cd到yolov5文件夹下

如果设备有摄像头输入

python detect.py --source 0 --weights ./weights/yolov5s.pt

设备没有摄像头

python detect.py --source ./data/images/ --weights ./weights/yolov5s.pt

测试结果生成在runs/detect/exp文件夹下

十、yolov7配置

1.git clone下载

git clone https://github.com/WongKinYiu/yolov7.git

2.下载依赖

最好新建一个环境，然后重复步骤四、八

激活创建的虚拟环境

source activate yl7

cd到clone下来的yolov7文件夹下，下载环境所需的依赖输入命令

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

3.下载权重文件

在github上，打开后往下翻GitHub - WongKinYiu/yolov7: Implementation of paper - YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors

下哪个点哪个，下载好后新建文件夹命名为weights并放到里面

4.测试

python detect.py --weights weights/yolov7.pt --source inference/images

测试结果生成在runs/detect/exp文件夹下

参考：

yolov5的安装与使用（图文结合版） - 知乎

Ubuntu20.04下深度学习环境配置（持续维护）_ubuntu深度学习-CSDN博客

全网最详细的安装pytorch GPU方法，一次安装成功！！包括安装失败后的处理方法！-CSDN博客

Tensorflow_os.environ['tf_cpp_min_log_level'] = '1-CSDN博客

nonobodyyy

关注

19
点赞
踩
39

收藏

觉得还不错? 一键收藏
0
评论
Ubuntu20.04配置深度学习+yolov5+yolov7环境

若提示没有该模块，回去检查吧，哪步有问题，再重新开始执行；这时不区分不影响anaconda的正常使用，但pytorch和tensorflow对这Linux中自带的python3和anaconda中的python的使用需求不同，后期需要进行两者的切换。在“四、pytorch-cpu安装”中已经展示了如何安装pytorch-cpu版本了，这可以让你在不使用gpu时也能对代码进行调试验证，也就是import torch是可以正常导入的，但torch.cuda.is_available()会返回False。
复制链接

扫一扫