配置深度学习/神经网络运行环境（一网打尽），安装CUDA/cuDNN/Anconda，安装GPU版本的pytorch/torchvision/torchaudio，以及创建虚拟环境并运行yolov5

YuTuA

已于 2024-10-31 12:42:42 修改

阅读量2.1k

点赞数 47

分类专栏：深度学习文章标签：深度学习神经网络 pytorch YOLO 人工智能

于 2024-10-31 12:40:44 首次发布

本文链接：https://blog.csdn.net/qq_54700138/article/details/143374831

版权

深度学习专栏收录该内容

3 篇文章

订阅专栏

面对标题中这些需要安装配置的内容肯定有些头大，不过没关系，此文带你梳理它们之间的关系并手把手带你配置一个完整的环境~🎁

一、引言

①不需要在此之前安装python，但要确保自己的电脑有NVIDIA的GPU，和windows系统

②下面是安装顺序和流程

1.CUDA

它是NVIDIA公司推出的一个并行计算平台和编程模型，允许用户在NVIDIA的GPU上运行并行计算程序。简言之，有了它才能充分利用GPU，才能更快地加速你的深度学习、机器学习任务。

2.cuDNN

是NVIDIA基于CUDA开发的一个专为深度神经网络设计的加速库。专门用于加速神经网络中的计算密集型操作，比如卷积运算、池化、激活函数等。（更快一层楼）

3.Anconda

安装Anaconda后，可以轻松管理不同的Python环境和包的依赖关系。比如我现在有两个任务，与甲方1对接的要求使用python3.8.19，与甲方2对接的需要python3.10，不同的python环境所要求使用的包版本不一致，那么我该怎么在同一台计算机解决不同包版本之间冲突呢？答案就是利用conda创建两个虚拟环境，分别使用python3.8.19和python3.10，不同的虚拟环境将各种库和包隔绝起来，避免冲突。

4.PyTorch、torchvision、torchau

pytorch提供了灵活的张量运算和自动微分功能，特别适合构建和训练神经网络。也是许多深度学习模型的核心，可以用于构建和训练各种类型的神经网络，如卷积神经网络（CNN）、循环神经网络（RNN）等。

torchvision是PyTorch生态系统中的计算机视觉库，包含了用于图像处理的工具、预训练模型、常用的数据集和数据增强方法。经常用于计算机视觉任务，包括图像分类、目标检测、图像分割等。

torchaudio是PyTorch的音频处理库，提供了音频数据的加载、预处理和变换工具，用在语音和音频相关的深度学习任务。比如如语音的识别、音频分类、情感分析等。(选装，做视觉这个不装也可)

二、安装CUDA和cuDNN

1.在下载CUDA之前你需要办2件事：

①确认自己GPU支持的CUDA版本（win+r然后输入cmd确认，在终端直接运行nvidia-smi即可）

nvidia-smi

②确认pytorch官网支持的CUDA版本，官网：点击这里

办这两件事的目的是①确保计算机的显卡支持安装的CUDA版本，②方便后续安装pytorch

可以看到我GPU的CUDA版本是12.2，较新版本的pytorch官网支持的CUDA版本是11.8、12.1、12.4，所以对于我电脑，安装11.8和12.1版本均可，我选择安装CUDA12.1版本。

2.在安装CUDA时你还需要办5件事：

①下载CUDA安装包官网：点击这里

比如我安装时找到CUDA Toolkit 12.1.0或者12.1.1均可，你找到你电脑对应的版本下载后安装CUDA的步骤可以参考这个(此处不再赘述，繁杂容易遮盖掉主线任务)。注意按照链接里的方法检查环境变量和是否能在终端窗口nvcc -V查询到对应CUDA版本信息。

②下载cuDNN压缩包官网：点击这里

下载时注意后边的for CUDA版本，对应下载CUDA12.x或11.x，我下载任意一个CUDA 12.x的版本即可。

③下载cuDNN后解压里面会出现三个文件夹bin、include、lib，将这三个文件夹复制粘贴在CUDA的安装目录中即可

④ 添加cuDNN环境变量

将这4个系统环境变量，按照安装路径手动添加进去即可。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\libnvvp

⑤验证

我CUDA的安装路径为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1，然后进入...\extras\demo_suite，发现里面有bandwidthTest.exe和deviceQuery.exe两个可执行文件

然后复制路径，进入cmd，直接cd+路径进入当前文件夹，直接输入bandwidthTest.exe回车，在输入deviceQuery.exe回车，两个返回结果如下即为正常。

三、安装Anconda

进入官网下载：点击这里，下载最新版本即可，不需要关注是python哪个版本，在你创建虚拟环境时指定python版本，会自动下载对应版本的python。

Anconda安装比较简单，参考这篇博文，此处不再赘述，如果没成功，注意检查系统环境变量path中是否存在以下几个，若没存在，手动添加即可（注意自己的安装路径）。

四、创建虚拟环境

比如甲方1对接后要求我python版本应为3.8.19，在cmd中直接输入以下命令，其中“jiafang1”是我的环境名称，“python=3.8.19”是我指定的版本名，更换为你想安装的版本即可,如“python=3.10”

conda create -n jiafang1 python=3.8.19

输入指令后回车，Proceed？时输入y，回车就行。

当出现以下界面时表示创建成功，

使用‘conda activate jiafang1’进入虚拟环境。并使用‘python -V’指令查看python版本。

conda activate jiafang1

python -V

五、安装GPU版本的pytorch、torchvision、torchaudio

由于pytorch大概2.4GB，指令在线安装容易出问题，极推荐离线安装，pytorch、torchvision、torchaudio安装包地址都在一起：点击这里

进去之后你会发现，有太多版本，其中cu121,表示CUDA版本为12.1；cp38表示python版本为python3.8；win表示windows系统；中间的torch2.2.2、torch2.2.1或者其他的什么版本都无所吊谓，下载哪一个均可。

由于刚安装的CUDA版本是12.1，因此我下载第二个红线标注的cu121+torch-2.2.2+cp38+win_amd64版本。

同理，torchvision和torchaudio也下载对应CUDA和python版本的就行，但是要注意与pytorch的版本对应关系。对应关系查询：点击这里

可以看到与pytorch2.2.2对应的torchvision版本是0.17.2,对应的torchaudio是2.2.2

下载完成

开始安装，在创建好的jiafang1环境中运行以下代码即可（注意你自己的路径），如果没有换源而安装不成功，运行第二个加了清华源地址的代码即可。

pip install E:\zhaojunqi\yingwenlujing\torch_python38\torch-2.2.2+cu121-cp38-cp38-win_amd64.whl

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple E:\zhaojunqi\yingwenlujing\torch_python38\torch-2.2.2+cu121-cp38-cp38-win_amd64.whl

同理安装torchvision和torchaudio

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple E:\zhaojunqi\yingwenlujing\torch_python38\torchvision-0.17.2+cu121-cp38-cp38-win_amd64.whl

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple E:\zhaojunqi\yingwenlujing\torch_python38\torchaudio-2.2.2+cu121-cp38-cp38-win_amd64.whl

安装成功，在jiafang1的虚拟环境中输入以下代码检查是否安装成功。

python
import torch 
torch.cuda.is_available()

如果返回为True则安装成功，接下来你就可以在此虚拟环境中运行你的深度学习算法啦✔🎉🎉🎉。

六、以YOLOv5为例检测整体环境是否搭建成功

1.在运行YOLO之前需要安装Git

Git是运行程序需要而不是搭建环境需要，其对搭建的环境没有影响，只是方便管理和协作开发代码的，对于yolo这种开源代码追踪、回滚、共享代码很有必要。安装Git可以参考这篇文章：点击此处。

2.下载yolov5

点击此处进行下载，也可以参考这篇文章：保姆式yolov5教程，训练你自己的数据集

下载完成后解压，在虚拟环境中cd 进入解压路径,使用以下命令安装所需第三方库。

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

等待安装完成即可，

3.运行yolov5

使用Vscode或者pycharm均可，打开解压后的yolov5；也可以使用终端，cd进入解压后的yolov5路径，确保运行的python环境在之前创建的jiafang1虚拟环境中，在终端使用以下命令运行train.py

python train.py --img 640 --batch 16 --epochs 50 --data data/coco128.yaml --weights yolov5s.pt --device 0

如果出现以下内容，说明正在使用GPU训练yolov5自带的训练集

七、总结

一些官方网站加载速度较慢，可能需要🚀，pip安装不成功时，关掉🚀，并切换国内镜像源即可，欢迎私信和留言讨论学习。