win10使用YOLO v5第三弹——pytorch架构下在pycharm中添加interpreter

最新推荐文章于 2024-05-27 13:56:56 发布
最新推荐文章于 2024-05-27 13:56:56 发布
阅读量1.1k 收藏 3
点赞数 1
分类专栏： 深度学习 文章标签： pytorch pycharm python
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/qq_45700453/article/details/127018119
版权

前提：电脑配置好anaconda+cuda+pytorch+pycharm
cudnn是gpu运行时需要的，如果你电脑没有gpu，也大可不必安装。
pycharm我就下的社区版本，专业版破解太麻烦，而且后续问题很多。

1、创建pytorch虚拟环境

打开anaconda，过程可能比较慢。
在这里插入图片描述
自行下载需要的安装包，等待其下载完成。
过程中可能会出现错误，我是参照这篇文章https://www.jb51.net/article/212362.htm改的，具体过程如下：
找到目录C:/user/.condarc,记事本打开，将里面内容删除更改为：

ssl_verify: true
show_channel_urls: true

channels:
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/win-64/
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/

重复上述图片中操作，如果提示更新就更新，在启动就会发现pytorch环境已经搭好了。
在这里插入图片描述

2、打开Anacorda prompt（这个在开始菜单里面找），输入activate pytorch 激活环境

在这里插入图片描述
这样就已经进入pytorch环境下，https://pytorch.org/get-started/locally/在Pytorch官网上选择Anacorda安装的pytorch的相关代码，如果有GPU可以选择CUDA。我没有GPU就选pip了，哈哈哈。
在这里插入图片描述
返回Anacorda prompt，键入上图中复制的"run this command"，安装numpy、torch、torchvision这些模块。
在这里插入图片描述

3、在Pycharm的interpreter中加入pytorch虚拟环境中的python

点击右下角no interpreter的地方，点击添加。如图这是我找到anaconda安装路径下python.exe的位置。点击确定，然后等他安装好就行了。
在这里插入图片描述
这样右下角就变成这样：
在这里插入图片描述
在Pycharm中输入import torch就不会再报错啦！

麦小芒
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
如何在Pycharm中复现别人pytorch的项目实例
carrymingteng的博客
01-12 3412
如何在Pycharm中复现别人pytorch的项目实例（Windows下Pycharm配置Pytorch环境） 问题描述：学习如何在pytorch框架下用yolo3训练自己的模型时，将别人的整个项目文件夹下载后，无法在Pycharm中运行 解决： 1.在Pycharm中新建一个工程文件夹 ​ File →New Project 2.在出现的对话框中，勾选到Existing interpreter，点击… 3.在Add Python Interpreter框中做如下设置（这里由于我是在Anaconda中配置
在win10下进行pytorch版本yolov3安装及训练
12-22
1.下载 ...权重文件：这个好久之前下载的了网址找不到了 2.代码环境 Readme写的是python3.7，我用的是3.6 其他的根据requirements.txt安装可...你在安装中可能会遇到以下问题 提示torch版本不对 【解决方案】通过官网代码
用Anacorda安装Pytorch 并在Pycharm中添加interpreter
不加辣椒的博客
05-10 1010
用Anacorda安装Pytorch 并在Pycharm中添加interpreter 用Anacorda安装Pytorch 之前用Anacorda创建了Tensorflow虚拟环境，这次用它安装Pytorch环境，把过程记录下来。 打开Anacorda Navigator 点击create 创建一个新的虚拟环境 选择python版本 自动下载需要的安装包，等待其下载完成 打开Anacorda prompt，输入activate pytorch 激活环境 在Pytorch官网上选择Anacorda安
Windows下在pycharm中安装pytorch
托尼stark的博客
04-07 2609
打开pycharm 点击左上角的file————settings————找到Project Interpreter————点击+号： 点击Manage Repositories 输入下面的两个网址即可，点击ok保存 https://pypi.tuna.tsinghua.edu.cn/simple/ https://mirrors.aliyun.com/pypi/simple/ 然后点击搜索pytorch点击安装即可，但是我安装的时候显示错误，系统提示我在terminal中用pi..
Pycharm+Anaconda+yolov5-5.0部署（手把手教+解决一些运行过程中的问题+最全部署yolov5）
qq_63913621的博客
02-16 6228
学习记录！
(详细教程) windows系统下部署（Anaconda+pycharm+pytorch）yolov5框架完美运行
qq_52852432的博客
08-22 2277
本文详细讲述了如何搭建pytorch环境下运行yolov5
解决pycharm2022版在anaconda中创建的深度学习环境中如何选择pytorch环境
m0_63027210的博客
10-14 794
最近跟着一位博主学习yolov5，在按照提示下载好pythrch后，在pycharm中anaconda中怎么也无法找到Existing environment去配置pythrch，一度都要卸载重装2020版的，最后阴差阳错配置好了，以此博客记录一下。
Win10+Anaconda+Pytorch+PyCharm 环境搭建
Ada的信徒
02-02 804
Anaconda+Pytorch+PyCharm 环境搭建
Ubuntu系统中使用pycharm远程训练pytorch模型。（服务器租用autodl）
qq_42652488的博客
09-09 1090
Ubuntu系统中使用pycharm远程训练pytorch模型。（服务器租用autodl）
pycharm搭建yolo3-pytorch-master的pytorch环境
Hui_Wang5806的博客
01-13 1952
yolo3-pytorch-master源码下载地址：GitHub - bubbliiiing/yolo3-pytorch: 这是一个yolo3-pytorch的源码，可以用于训练自己的模型。 首先安装anaconda和pycharm软件，网络上相关博客很多，都可以参考。 然后在pycharm中打开yolo3-pytorch-master项目，在右下方的环境中单击选择Add Interpreter...选项，在弹出的界面上选择Conda Environment，在右边选择环境存储位置，一般是anacon
pytorch-yolo-v3:YOLO v3对象检测算法的PyTorch实现
05-10
YOLO v3对象检测器的PyTorch实现 [更新]：此存储库用作我研究的驱动程序代码。 我刚刚大学毕业，并且在最终申请硕士学位之前非常忙于寻找研究实习/研究职位。 我暂时没有时间研究问题。 谢谢你。 该存储库包含用于...
在yolo5中添加yolo4
02-12
在yolo5中添加yolo4
YOLO3D-YOLOv4-PyTorch:YOLO3D
04-12
YOLO3D-YOLOv4-PyTorch 本文基于YOLOv4的PyTorch实现： 演示版 输入：鸟瞰图（BEV）地图，由3D LiDAR点云的高度，强度和密度编码。 输入尺寸： 608 x 608 x 3 输出：7度的对象的自由（7- DOF）的： (cx, cy, cz, l, ...
yolo3-pytorch-master_pytorch_yolo_yolo3pytorch_yolo3_
10-01
利用pytorch的平台搭建了yolo3目标检测算法，实用性很强
从 0 手撸一个 pytorch
易迟的专栏
05-19 937
最近抽空看了下 Andrej Karpathy 的视频教程，教程的质量很高。教程不需要任何前置机器学习基础，只需要有高中水平的数学基础即可。整个教程从 0 到 1 手撸了一个类 pytorch 的机器学习库micrograd，核心代码不到 100 行。虽然为了简化没有实现复杂的矩阵运算，但是对于理解 pytorch 的设计思想有很大帮助。通过上面的流程可以很容易理解机器学习模型训练框架的设计方案，这一套流程也完全适用于 pytorch，可以帮助更好地理解 pytorch 的训练流程。
【深度学习实战—7】：基于Pytorch的多标签图像分类-Fashion-Product-Images
王乐予的博客
05-25 648
基于深度学习的多标签图像分类，使用时尚产品数据集。工程充分将代码解耦，便于代码管理。
Pytorch-07 完整训练测试过程
星辰火之梦
05-21 258
要在PyTorch中使用GPU加速计算，需要将模型和数据移动到GPU上进行处理。方法，模型和数据都会被转移到GPU上进行计算。接着，训练过程中的计算将在GPU上加速进行，提高训练效率。在这个修改后的示例中，我们首先检查GPU是否可用，并将模型和训练数据移动到GPU设备上。而在我的机器上面，GPU训练时间输出为。，CPU训练时间输出为。
PyTorch的数据处理
最新发布
小森的博客
05-27 485
💥今天看一下 PyTorch数据通常的处理方法~一般我们会将dataset用来封装自己的数据集，dataloader用于读取数据。
用pytorch搭建Yolo V5网络模型
03-25
A： 在使用PyTorch搭建Yolo V5网络模型之前，我们需要先安装好PyTorch和必要的依赖库。具体可以参考官网指南或者搜索安装教程。 接下来，我们可以按照以下步骤来搭建Yolo V5网络模型： 1. 创建一个Python文件，导入必要的库 ``` python import torch import torch.nn as nn ``` 2. 定义Yolo V5的主干网络和头部网络 ``` python class YoloV5Backbone(nn.Module): def __init__(self): super(YoloV5Backbone, self).__init__() # 定义主干网络，具体可以根据实际需求选择不同的网络架构 def forward(self, x): # 将x输入到主干网络中，得到网络输出 return out class YoloV5Head(nn.Module): def __init__(self): super(YoloV5Head, self).__init__() # 定义头部网络，包括多个卷积层、BN层和激活函数 def forward(self, x): # 将网络输出x输入到头部网络中，得到最终输出 return out ``` 3. 定义Yolo V5网络模型，将主干网络和头部网络组合起来 ``` python class YoloV5(nn.Module): def __init__(self): super(YoloV5, self).__init__() self.backbone = YoloV5Backbone() self.head = YoloV5Head() def forward(self, x): x = self.backbone(x) out = self.head(x) return out ``` 4. 定义损失函数和优化器 在使用PyTorch训练模型时需要定义损失函数和优化器。对于Yolo V5网络模型，通常使用的是交叉熵损失函数和SGD优化器，代码如下： ``` python # 定义损失函数 criterion = nn.CrossEntropyLoss() # 定义优化器 optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9) ``` 5. 训练模型 有了模型、损失函数和优化器之后，我们就可以开始训练模型了。训练模型的过程比较复杂，包括数据预处理、训练循环等步骤。这里只提供一个简单的训练循环框架： ``` python for epoch in range(num_epochs): for i, data in enumerate(train_loader): # 数据预处理 inputs, labels = data # 将输入数据和标签转换成PyTorch张量 inputs = torch.tensor(inputs, dtype=torch.float32) labels = torch.tensor(labels, dtype=torch.long) # 前向传播 outputs = model(inputs) # 计算损失函数 loss = criterion(outputs, labels) # 反向传播 optimizer.zero_grad() loss.backward() optimizer.step() # 打印损失值 print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format( epoch+1, num_epochs, i+1, total_step, loss.item())) ``` 这个训练循环框架可以根据实际情况做一些修改和优化，比如增加验证集、记录训练过程中的指标等等。 6. 保存模型 训练完成后，我们可以将训练好的模型保存起来，以备后续使用。保存模型的代码如下： ``` python torch.save(model.state_dict(), 'yolov5.pth') ``` 这个代码会将模型的状态保存成文件yolov5.pth，可以在需要的时候用load_state_dict()方法加载模型。

“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
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