记录一次yolov10环境配置

已于 2024-06-11 10:23:03 修改
阅读量736 收藏 4
点赞数 4
文章标签： 深度学习 人工智能
于 2024-06-11 10:10:29 首次发布
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_69271103/article/details/139589663
版权

最近因为清华大学发布了yolov10，奔着学习的目标所以自己重新配置了一下环境。

首先在conda里面创建一个新的环境

conda create -n yolov10 python==3.9

然后因为yolov10的版本要求torch版本为2.0以上，我之前的cuda是11.6，所以cuda也进行了更新
cuda可以多个版本并存，但有时候会有冲突的情况，在环境变量中可能识别到了这个版本，另外一个版本就识别不到了。
CUDA Toolkit Archive | NVIDIA Developer
https://developer.nvidia.com/rdp/cudnn-archive

附上cuda和cudnn的下载链接，这里不赘述这两个工具的作用

CUDA与CUDNN在Windows下的安装与配置（超级详细版）_windows cudnn安装-CSDN博客
这边有一个蛮不错的教程可以跟着他安装

注意cuda和cudnn的版本需要对应
以我的版本为例 我的是12.1，小数点后面的也要相同
然后就是安装pytorch
pytorch和cuda的版本也要对应
Previous PyTorch Versions | PyTorch
附上官网下载链接
因为官网的下载链接可能会因为网速出现问题，所以我选择的是离线下载再安装
download.pytorch.org/whl/torch_stable.html

这是下载链接，下载完成之后在你新建的环境中cd进入你下载的路径
然后pip install 文件全名 需要下载三个文件pytorch，torchaudio，torchvision都需要版本对应

在安装完成之后进入环境piplist 查看torch版本后需要带cu+你的cuda版本号即安装成功

剩下的包直接进入yolov10的目录 然后
 

此博客主要为记录安装的过程，学习为主，偷懒就不配图了
0.o

burn83
关注
YOLOv10 | 手把手教你利用yolov10训练自己数据集（含环境搭建、参数解析 、数据集查找、模型训练、推理、导出）
Snu77的博客
05-26 2万+
本文内含YOLOv10网络结构图 + 各个创新模块手撕结构图 + 训练教程 + 推理教程 + 参数解析 + 环境搭建 + 数据集获取等一些有关YOLOv10的内容！目录一、前言二、整体网络结构图三、空间-通道分离下采样3.1 SCDown介绍3.2 C2fUIB介绍3.3 PSA介绍四、环境搭建五、数据集获取六、模型获取七、模型训练7.1 训练的三种方式7.1.1 方式一7.1.2 方式二（推荐）7.1.3 方式三八、模型验证/测试九、模型推理十、模型输出官方论文地址点击此处即可跳转。
搭建YOLOv10环境 训练+推理+模型评估
Dora_blank的博客
05-29 8781
本文将详细介绍跑通YOLOv10的流程，并给各位提供用于训练、评估和模型推理的脚本。
萌新windows系统GPU训练YOLOv10配环境踩坑实录
m0_66683421的博客
07-31 1187
前段时间因为一个图像识别的项目要用YOLO，但是在配环境的时候遇到了很多问题。我整理了一下我在配环境期间遇到的一些问题，希望能够帮到有需要的小伙伴们。
YOLOv10超详细环境搭建以及模型训练（GPU版本）
最新发布
2401_85556416的博客
08-23 5876
右键点击【我的电脑】(此电脑)--【属性】--点击【高级系统设置】--【高级】--【环境变量】-找到系统变量下的【Path】--右侧点击【新建】，按照我标红框的进行添加即可。点击【File】-->【setting】-->【Project】-->【Python Interpreter】-->【Add Interpreter】-->【Add Local Interpreter】方法二：【鼠标右键桌面】--【显示更多选项】--【NVIDIA控制面板】--在控制面板的左下角点击【系统信息】--选择【组件】
Yolov10环境配置+训练自己数据集（Windows10）
求你别报错
06-05 1694
在根目录下新建一个datasets文件夹，在datasets文件夹下再新建train、val、test目录，然后再每个目录中在新建images和labels两个文件夹，将标注好的图片和.txt文件放到images，将.txt文件放到labels文件夹下，这是将制作的数据集切分成训练、验证、测试集。2、从ultralytics\cfg\复制coco.yaml文件到/datasets文件夹下，并修改coco.yaml改名为：mydata.yaml（自定义）,并修改数据集的路径和自己数据集的种类。
如何配置yolov10环境？
qq_42681787的博客
07-10 3659
本文介绍如何快速搭建起yolov10环境，用于后续项目推理、模型训练。教程适用win、linux系统
Yolov10的环境搭建与demo运行
MITA1的博客
07-31 844
手把手教你Yolov10的环境搭建与demo运行
YOLOv8超详细环境搭建以及模型训练（GPU版本）
2401_85556416的博客
08-21 2709
YOLOv8超详细环境搭建，以及以NEU-DET数据集为为例进行模型的训练
YOLOv10环境搭建、模型预测和ONNX推理
qq_54134410的博客
05-27 4941
运行后会在文件yolov10s.pt存放路径下生成一个的yolov10s.onnxONNX模型文件。安装完成之后，我们简单执行下推理命令测试下效果，默认读取。终端，进入base环境，创建新环境。（1）onnx模型转换。
YOLOv10环境搭建&推理测试
zzq1989_的专栏
06-03 1229
此外，尽管作者在无需NMS的训练下使用一对一 Head 可以获得具有竞争力的端到端性能，但与使用NMS的一对多训练相比，仍然存在性能差距，特别是在小型模型中更为明显。例如，在YOLOv10-N和YOLOv10-S中，使用NMS的一对多训练的性能比无需NMS的训练分别高出1.0% AP和0.5% AP。此外，为了确保两个分支之间的和谐监督，作者创新性地提出了连贯匹配度量，这可以很好地减少理论上的监督差距，并带来性能的提升。2、作者提出了一种整体效率-精度驱动的模型设计策略，用于YOLO的模型架构。
YOLOv10最详细全面讲解2- 目标检测-环境搭建、训练自己的数据集
tqh267的博客
05-29 1万+
本人基于继续往下进行，主要包括环境搭建、训练自己的数据集。
yolov8使用文档，涵盖环境配置，结构详解，自定义数据集，训练，测试，验证
03-11
- 使用命令 `pip install -r requirements.txt` 来一次性安装所有依赖。 - 依赖库覆盖了从基础运行环境到日志记录、模型导出等高级功能的需求。 - **基础运行环境**：如 `matplotlib`, `numpy`, `opencv-python` ...
目标检测学习笔记（一）——YoloV4环境配置及代码实现
Stretch9776的博客
06-28 2732
文章目录前言环境配置参考一、yoloV3算法原理及实现yolov3 算法原理主干提取网络 Darknet53 介绍残差网络Darknet53预测部分训练部分其他参考二、YoloV4 算法原理YOLOV4改进的部分主干特征提取网络Backbone三、YoloV4 算法程序实现1 训练及预测步骤训练 P10VOC2007文件夹 和 voc2yolo4.pyvoc_annotation.pytrain.py预测 P11yolo.py 代码修改predict.py 预测说明train.py 参数说明P12coun
darknet-yolov3环境配置、编译、训练和测试完整记录(Win10 + CUDA10 + VS2017)
ywueoei的博客
04-22 3554
1. 环境与依赖配置 操作系统：windows10; 依赖： (1).VS2017 CUDA8.0之后的版本支持VS2017。darknet是使用VS2015编译的，官网提供的编译教程也是基于VS2015的，但VS都是向下兼容的，安装相应版本的平台工具集即可。 (2).CUDA10.0（推荐Installer type为network） (3).cudnnfor CUDA10....
我就想知道第一次配置yolov3环境到底能有多麻烦（没有gpu
resplendentRoy的博客
03-04 8033
大家好，自从我昨天激动地配完了yolov3的环境，今天测试了第一张图片，感觉自己像看着孩子长大的老妈妈，热泪盈眶（夸张了）。不过开心不过三分钟，就陷入这个过程没有技术含量高兴啥的消极情绪当中去了...就是跑一跑别人的代码而已... 参考文章： https://blog.csdn.net/Yvette_Lucifer/article/details/82856664（应该是一个可爱女孩写的，遇到...
深度学习环境配置指南/YOLOv8目标检测实践
weixin_42429239的博客
02-23 3822
详细介绍了win深度学习环境的搭建和YOLO模型的简单实践
YOLOv10最全使用教程（含ONNX和TensorRT推理）
热门推荐
qq_40734883的博客
05-25 1万+
YOLOv10模型延迟方面有较大的提升，相对于参数来说，AP提升相比最先进的v9较为微小，简单来说就是模型更适合端侧部署，因为推理延迟时间低。
YOLOv8推理详解及部署实现
周同学的博客
11-07 1万+
YOLOv8推理详解及部署实现
【yolov10】使用自己的数据集训练目标检测模型
海风的博客
05-26 7809
官方给出的环境配置使用的torch版本是2.0.1，我电脑最高也就支持到1.11.0，所以就没法用gpu来训练了，当然也可以用自己的可以使用gpu训练的环境来训练yolov10，就是会有一些依赖报错，根据提示进行修改试试。格式选择yolo，然后点击open dir，选择存放待打标图片的文件夹，点击change save dir来更改保存标签的文件夹。首先打开cmd命令行（快捷键：win+R）。names根据自己数据集的标签来，train和val就是训练集和验证集的图片路径。①搜索labelimg。
yolov7cuda
09-02
为了配置yolov7cuda环境，你需要按照以下步骤进行操作： 1. 激活环境：在命令行中输入`conda activate yolov7_flask`来激活你的yolov7环境。 2. 安装gpu版本的torch：为了使用gpu进行加速，你需要安装gpu版本的torch。推荐使用本地安装而不是口令方式安装。你可以从镜像网站上下载gpu版本的torch文件并进行安装。 3. 完成配置：完成上述步骤后，你应该已经配置好了yolov7cuda环境。现在你可以使用gpu进行加速了。 请注意，以上步骤仅适用于yolov7cuda环境的配置。如果你有其他问题或需要更详细的说明，请提供更多的信息。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [YOLOv7环境配置的一些细节](https://blog.csdn.net/Albert_yeager/article/details/130473329)[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^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
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