windows使用pytorch环境配置yolo_v5进行视觉识别手把手步骤

所需要环境为Anaconda、nvidia驱动、CUDA、CUDNN、python、pytorch（gpu版本）

一、在Windows 10/11 下安装Anaconda

1、官方网站下载

Anaconda | The World’s Most Popular Data Science Platform

点击中间“Download”，即可开始下载。

同样也能自己选择安装版本，点击Download下面得windows标号，会转到如下区域，然后按照自己得电脑选择对应得版本即可：

2、安装

点击安装刚才在官网上下载的conda安装包即可开始安装，步骤如下，基本上一路点默认就可顺利安装

在使用权限这里，安装仅为当前用户或者第二个为所有人都可以，建议最好选择第二个

安装路径这里，要注意，conda的安装路径必须是纯英文路径，不能是中文或者带空格、复杂符号之类的路径，否则影响安装以及后续的使用过程

在这里的安装页面中最好两者都选择，第一个是添加系统环境变量，如果不选择，后续还需自己添加，第二个是作为系统python的默认选择环境

接下来就直接开始安装

3、安装后的conda验证

安装结束后，接下来要对conda环境进行验证，”windows+R“，输入”cmd“打开终端，输入

conda --version

如果显示conda版本号即代表安装成功。

同样也可以输入命令查看conda常用的指令和使用帮助：

conda info

在以后的使用过程中，可以在cmd终端中使用，也可以在conda自身安装的终端中打开使用：
在这里插入图片描述

conda同样也有自身的IDE可以看自身的环境和安装的功能包：

显示“lunch”的是已经安装好的，显示“install”是还未安装的，可以点击包前面的按钮，移除对应的模块。

4、conda、pip换源加速

由于conda在windows下的原生态下载速度非常慢，所以非常有必要对conda进行换源，有两种方式换源：
第一种：
打开cmd命令行，输入：

conda config --set showchannelurls yes

会在C:Usersxx文件夹下生成.condarc文件，将该内容改为：

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

即可完成换源，现使用的为清华源，也可以用其他的，中科大之类的。

第二种：
直接在cmd命令行中输入添加清华源（TUNA）的命令：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/peterjc123/

设置搜索时显示通道地址

conda config --set show_channel_urls yes

因为需要PyTorch所以添加

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

附上 中科大源（USTC）

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.ustc.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/
conda config --set show_channel_urls yes

同时也需要对 pip 进行换源：
在windows下，直接在user目录中创建一个pip目录，如：C:\Users\xx\pip，新建文件pip.ini。

内容如下：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
[install]
trusted-host = pypi.tuna.tsinghua.edu.cn

那么到现在就已经可以在windows系统中正常的使用conda了。

二、在windows下配置nvidia显卡驱动、CUDA和CUDNN

1、配置nvidia显卡驱动

一般显卡驱动电脑上都是自配的，会有一种NVIDIA得小图标可以打开控制面板，如下：

如果存在这个则证明已经有显卡驱动，可以直接跳过第一步往下继续CUDA和CUDNN，如果没有也不用急，查看设备管理器中得显示适配器，可以看到显卡信息。

可以看到自己得显卡信息，然后到官网上下载对应版本得显卡驱动，官方地址：链接: NVIDIA - 官方驱动

点击“搜索”会出现下载页面，直接进行下载安装即可。
安装完成后可以在命令行cmd中输出

nvidia-smi

第一个是当前显卡驱动的版本，第二个是所支持CUDA的最高版本号，也可以在NVIDIA控制面板中查看系统信息，来判断当前显卡驱动所支持的最高CUDA，进而选择合适的CUDA版本进行安装。


显示的是驱动支持的最高CUDA版本，实际安装可以低于这个版本，我这里最高支持CUDA 11.6，但是pytorch最高才支持11.3，所以我肯定不能够安装11.6版本，安装11.3或者10.2版本即可。

2、CUDA配置

访问CUDA官方网站，找到之前的版本，进行下载。

下载后直接进行安装即可

如果没有安装VS的情况下要自定义安装，并且把Visual Studio Integration去掉

CUDA的安装位置可以自定义，系统默认是在系统盘C盘，为了方便日后管理，可以安装到非系统盘的其他盘，建议为C盘默认配置。

安装完成后在命令行 cmd 中输入：

nvcc -V

如果输出有cuda版本信息，则代表已经安装成功。

3、CUDNN配置

在 NVIDIA官方网站下载合适版本的CUDNN，点进去在历史版本中查看，CUDNN后面有对应的CUDA版本，一定要保持版本的对照统一，否则会影响使用，没有注册过的需要注册一下（可以用微信）。


选择windows版本：

下载后是个压缩包，解压后是三个文件夹，bin，include，lib，安装的方式很简单，将这三个文件夹合并到CUDA的安装目录下，注意是合并！

如果是默认安装位置了，那么CUDA的安装路径就是

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3

此时还差最后一步，就是配置CUDNN的环境，CUDA的环境在安装过程中已经默认配置了。打开“高级设置-环境变量”

中间的CUDA为默认安装，上面两个和下面三个需要自己手动进行添加。 注意：版本号和安装路径根据自己电脑决定。

CUDA_BIN_PATH： C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\bin
CUDA_LIB_PATH： C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\lib\x64
CUDA_SDK_BIN_PATH： %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH： %CUDA_SDK_PATH%\common\lib\x64
CUDA_SDK_PATH：     C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.6

并且向系统变量的Path，添加如下四条信息：

$ %CUDA_BIN_PATH%
$ %CUDA_LIB_PATH%
$ %CUDA_SDK_BIN_PATH%
$ %CUDA_SDK_LIB_PATH%

此刻显卡驱动+CUDA+CUDNN就算都安装完成了，然后还需要验证一下CUDNN和CUDA版本安装合适，没有冲突，打开刚才CUDA的安装路径中，找到extras-demo_suite文件夹：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\extras\demo_suite

在路径中输入 cmd，即可在当前路径中打开命令行终端：

在终端中分别测试两个程序（输入时按tab键可以补全）：

deviceQuery.exe
bandwidthTest.exe

正常输出应该如下所示：


两个 “Pass”则代表环境配置成功，到此深度学习环境已配置完成，接下来是pytorch的配置和yolo-v5网络的搭建。
转第2部分。