深度学习目标检测：yolov5环境配置，适合0基础小白，超详细

本文链接：https://blog.csdn.net/qq_67105081/article/details/138232424

3.2.2 安装pytorch（GPU版）

1. 查看电脑状况

深度学习的训练对于电脑显卡要求较高，若电脑没有独立显卡（N卡）或者是AMD的显卡无法使用GPU进行训练，只可以用CPU进行训练，会慢很多。若不清楚电脑有无显卡可以打开任务管理器，点击性能往下找GPU，就可以看到是否有独立显卡，不清楚是否为独立显卡则搜索型号。

若有独立显卡则安装GPU版本的pytorch，若无独立显卡则安装CPU版本的pytorch。

2. 安装所需软件

推荐安装Anaconda3+Pycharm，会安装或者安装过了则跳过这一步

2.1 Anaconda3安装

Anaconda3由于是国外网站下载较慢，推荐通过清华镜像源安装

Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source MirrorIndex of /anaconda/archive/ | 清华大学开源软件镜像站，致力于为国内和校内用户提供高质量的开源软件镜像、Linux 镜像源服务，帮助用户更方便地获取开源软件。本镜像站由清华大学 TUNA 协会负责运行维护。https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/?C=M&O=D

选择带有Anaconda3...Windows...exe 字样的进行下载，建议从最新版往后边找几个，最新版一般不够稳定。下载完之后打开Anaconda3进行安装，一直点下一步，选Just Me，安装路径可以直接复制粘贴修改到 D:\Anaconda3 ，也可以修改到其他路径。

2.2 Pycharm安装

安装Pycharm可以直接去官网下载，速度较快，

下载 PyCharm：JetBrains 出品的用于数据科学和 Web 开发的 Python IDE现在最新版本的 PyCharm，适用于 Windows、macOS 或 Linux。https://www.jetbrains.com/zh-cn/pycharm/download/?section=windows

往下拉下载第二个免费版就可以。下载完之后安装，一直点下一步，遇到选择路径修改路径到D盘或者其它除C盘，再遇到勾选的选项全部勾选就可以。

3. 创建虚拟环境，安装pytorch

3.1 创建虚拟环境

按下Win键，输入anaconda prompt,打开推荐的应用

默认进入的是base环境，此时需要新建环境，在新建环境之前建议更改默认的pip源和conda源。

更改代码如下，直接输入即可，这里选择更换的是中科大源

conda config --remove-key channels
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple

此时新建虚拟环境（需要关闭加速软件），这里创建一个名为yolov5，python版本为3.9的虚拟环境，也可以修改为其他名或者python版本

conda create -n yolov5 python=3.9

注意：此时如果报错

UnavailableInvalidChannel: HTTP 404 NOT FOUND for channel anaconda/pkgs/free <https://mirrors.ustc.edu.cn/anaconda/pkgs/free>

The channel is not accessible or is invalid.

You will need to adjust your conda configuration to proceed.
Use `conda config --show channels` to view your configuration's current state,
and use `conda config --show-sources` to view config file locations.

等错误，需要修改.condarc文件的内容，具体路径为：c:\users\用户名\.condarc（找不到请显示隐藏文件）

使用记事本打开，复制下面这一段进去替换掉原本所有的内容，替换完之后保存即可

channels:
  - defaults
show_channel_urls: true
channel_alias: http://mirrors.tuna.tsinghua.edu.cn/anaconda
default_channels:
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

此时再次创建yolov5虚拟环境

conda create -n yolov5 python=3.9

显示如下则正常创建，输入y

创建完之后输入

conda activate yolov5

进入yolov5环境之中，此时有NVIDIA显卡安装GPU版看3.2，其它需要安装CPU版看3.3。

3.2 安装cuda，pytorch

3.2.1 安装cuda

在安装pytorch前需要安装cuda，（若无显卡则跳过）下载cuda前需要先查看显卡支持的CUDA版本最高是多少，按下win+r键，输入cmd，在打开的页面输入：nvidia-smi ，即可查看

上图红框位置显示即为cuda最高支持版本，本教程最高版本达到11.8即可，若没有达到则需要更新显卡驱动。

CUDA Toolkit Archive | NVIDIA Developerhttps://developer.nvidia.com/cuda-toolkit-archive 在这个网站挑选下载或者直接点击链接下载点此下载

下载完之后运行安装，建议安装到默认路径，所以C盘需要留有20G以上的存储空间，一直点击下一步，直到出现这个界面点击自定义，然后全部勾选再一直下一步即可。

安装完成后可以再次在cmd里输入命令：nvcc -V 查看，如下显示即安装成功

有安装cudnn的需求可以自行百度替换文件安装，只用几次有没有区别不大

3.2.2 安装pytorch（GPU版）

打开prompt 输入conda activate yolov5进入yolov5环境，之后输入即可安装pytorch,耐心等待安装完成（需要注意关闭加速软件否则会下载失败）

pip install torch==2.0.0+cu118 torchvision==0.15.1+cu118 --extra-index-url https://download.pytorch.org/whl/cu118

3.3 安装CPU版本

有显卡的按照上述流程安装后即可跳过本部分，无显卡则需要按照下述方法进行，

打开prompt ,进入yolov5环境之后，输入如下命令即可安装cpu版本的pytorch

conda install pytorch torchvision torchaudio cpuonly -c pytorch

安装完成则环境配置完成

4. 配置yolov5环境

4.1 下载yolov5源码

yolov5源码地址：

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLiteYOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite. Contribute to ultralytics/yolov5 development by creating an account on GitHub.https://github.com/ultralytics/yolov5/

点进去下载代码，建议下载Tags下的v7.0版本，最新版不稳定容易出现一些异常情况，进不去可能需要科学上网，或者点击下载（压缩包内附带yolov5n.pt和yolov5s.pt）

下载完成之后解压到D盘或其它盘文件夹内

4.2 安装yolov5所需库

需要通过anaconda prompt 进入yolov5环境中，按照下图cd到yolov5根目录下

进入yolov5根目录之后，需要通过pip安装所需库，指令如下

pip install -r requirements.txt

耐心等待全部安装完成即可

至此环境安装完成

4.3 pycharm打开yolov5

点击鼠标右键yolov5文件夹通过pycharm打开，打开后需要配置虚拟环境，点击file-settings，点击project：ultralytics，点击python interpreter，点击右边add....，

点击Virtualenv Environment - Existing，点击右边三个点，找到刚才设置的D:\Anaconda3\envs\yolov5\python.exe 路径，之后一直点确定即可，耐心等待环境加载完毕。

再次进入yolov5源码页面，往下翻找到权重文件或者点此下载

点击蓝字下载，建议yolov5s.pt速度相对快且精度较高

5. 验证环境

下载完成后将权重文件复制到yolov5根目录下,此时可以去网上下载一只猫猫的jpg图片，将其放到data/images目录下。

检测环境是否有问题可以运行detect.py，修改方框中为刚下载的权重文件名即可

输出下图即环境正常

可以顺着路径查看检测后的图片，可爱的猫猫一张~

需要训练自己的数据集可以看这篇博客目标检测：yolov5训练自己的数据集，新手小白也能学会训练模型，一看就会-CSDN博客训练自己的数据集分为4部分，先配置环境，再获取制作自己的数据集，然后修改配置训练，最后验证训练结果，可选择将结果进行可视化界面展示。yolov5训练起来较为简单，跟yolov8相差不多，如果有其他目标检测的数据集理论上可以直接拿来用，从第3训练模型开始看，新手小白0基础建议一步一步跟着来，哪里看不懂的或者遇到哪有问题可以评论区交流或者私信问~https://blog.csdn.net/qq_67105081/article/details/138233660

有疑问可以评论区交流~