【Yolo学习-环境构建】适用于多种常见AI的环境构建（Conda+VSCode+CUDA,CUDNN）

前言

目前在公司研究算法部分，进行yolo相关学习和学习中途的内容记录
当前研究目的：利用YOLO完成特定物体的识别与分割，所选版本为YOLOV8
学习内容大致如下：
1.环境构建
2.内容复现
3.新物体的内容标定
4.新内容训练
5.性能调优和结果显示
在学习的过程中会尝试补全和巩固一部分学过的内容，最好对应的记录，内容主要研究实际应用

当前环节为环境构建，理论上做AI相关研究都可以用于参考，进行基础的环境配置，可以依据自己所研究的版本与内容进行版本的选择。

Conda环境配置

conda下载地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/?C=M&O=A

下载内容为笔记和当下研究，选择相对较新版本，有其他要求可以根据所需环境进行版本的调整

安装内容

安装地址尽量保持在英文路径下，不然在实验的过程中容易出现一些莫名其妙的错误。
一步步安装即可，不懂可以比较图片进行，可以依据自己的使用情况进行调整。

软件界面

测试

VSCode安装

下载地址：https://code.visualstudio.com/
默认安装为，当前最新的版本，如果需要历史版本可以单独进行历史版本的查看

安装内容

安装地址尽量保持在英文路径下，不然在实验的过程中容易出现一些莫名其妙的错误。
一步步安装即可，不懂可以比较图片进行，可以依据自己的使用情况进行调整。

软件界面

测试

新建文件夹，新建脚本，配置conda环境，测试运行

Cuda环境配置

确定cuda+pytorch+python版本选择，中间涉及的脚本路径是为默认路径安装，在安装不同位子的时候，可能部分路径会存在明显的不同，需要依照所安装的位子进行调整和修改
如果没有显卡，可以跳过这部分的内容

版本查看

显卡查看，Win+R，输入CMD

输入nvidia-smi查看最大兼容版本

显卡驱动版本

1. 版本的选择并不完全依照上述的CUDA版本进行，最好是与自己的显卡性能想匹配进行
2. 安装的驱动版本必须在上面CUDA Version版本以下进行
3. 如果显卡<=PTX2080,推荐安装cuda10.2+cudnn7.6.5，如果显卡>=PTX3050,则必须安装cuda>=11.0。
   

Pytorch版本对应

CUDA toolkit对于版本

Torch-Torchvision-Python对应版本

Cuda与Cudnn

cuda下载地址：https://developer.nvidia.com/cuda-toolkit-archive
版本的选择依据自己的情况进行

Cuda安装

一步步安装即可，不懂可以比较图片进行，可以依据自己的使用情况进行调整。

环境变量配置与安装查看

win+R 输入 nvcc -V查看是否安装

未安装可以查看一下环境变量，或者判断一下是否在安装过程中是否出现问题
添加系统环境变量，地址与安装地址与版本相对应：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64

Cudnn安装

安装地址：https://developer.nvidia.cn/rdp/cudnn-archive


下载完为一个压缩包，内容如下，需要将内容复制到对应的cuda目录下，
默认安装的话，路径为：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA

环境变量配置与安装查看

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64

接下来进行安装的查看
打开 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\demo_suite
在此路径下打开powershell

输入：.\bandwidthTest.exe

在输入.\deviceQuery.exe

如果有出现上述内容，表示安装完成。

小结

涉及内容为常见环境、工具以及推理的CUDA与CUDNN安装
主要进行conda环境的安装，如果是用python的其他包管理工具应该也是可以的，conda在我这边目前主要是用于对不同包的管理，确保环境的稳定，方便移植。
常见的编辑器为VSCode和PyCharm,从体量来说VSCode会相对便捷一些，后续如果是要编写一些前端的可视化界面，用VSCode进行一些可视化的操作可能会较为便捷，所以这部分主要演示VSCode的安装
在计算和进行算法处理的过程中会需要用到CUDA进行算法的加速，中间会有一些奇奇怪怪的坑，大多出现在版本和兼容性上，这边主要依据我目前笔记本的情况进行的编写。