yolov5，如何使用CPU/GPU运行——安装环境及依赖（详细，简单易懂）

已于 2023-12-11 18:37:39 修改
阅读量2.7w 收藏 338
点赞数 116
分类专栏： 计算机视觉 文章标签： YOLO python
于 2023-11-16 22:47:04 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/weixin_68922189/article/details/134448330
版权
本文详细介绍了如何从GitHub下载yolov5项目，配置Python环境，包括安装CUDA、切换到GPU版本的PyTorch，以及如何在CPU和GPU上运行项目。旨在帮助计算机视觉初学者顺利进行项目初始化和环境设置。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

目录

1.项目下载到本地

2.进行环境的配置

3.使用CPU运行项目

4.使用GPU运行项目

（1）安装CUDA

（2）torch换成GPU版

总结

1.项目下载到本地

  从GitHub上下载项目，这个是官方的yolov5

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/yolov5icon-default.png?t=N7T8https://github.com/ultralytics/yolov5

点击右上角的code，然后点击Download Zip ，浏览器会自动开始下载

​

找到下载路径，解压完后，在文件夹上点右键用pycharm打开

​打开之后，可以看到redme文件，一般这里写的是项目的运行方式，不过这个由于是yolo官方的项目，写的都是一些模型的介绍，可以不看，文件夹里也有中文版的

​

2.进行环境的配置

初来乍到，我们没有环境，也就是运行项目所需要的库，首先新建虚拟环境，python版本必须>=3.9，因为yolov5的依赖项运行至少需要3.9的python版本，我这里选择3.9。​

然后我们找到名为requirements.txt的文件，中文翻译叫做“必要条件”，这里面记录了项目运行所需的库。可以看到最上面有一行安装命令，使用此命令可以直接安装txt文件中所有库的指定版本，也就是项目所需的版本。 ​

我们直接把命令复制到终端，加上清华镜像源 -i https://pypi.tuna.tsinghua.edu.cn/simple 安装

最低0.47元/天 解锁文章
YOLOv9配置与运行
qq_45232776的博客
03-01 1832
YOLOv9配置与运行
YOLOv8核心原理深度解析
qq_41920323的博客
04-26 597
详细解析了yolov8的原理，包含了个人的理解，非常易懂。
在4060TI8g GPU上使用Yolov5
Hello Mr.Z的博客
01-22 1185
小狼@http://blog.csdn.net/xiaolangyangyang。
跟土堆学yolov5目标检测p7训练yolov5模型（本地）（一）
weixin_62549128的博客
03-09 956
演示运行train.py及参数介绍
YOLO12 一篇文章教你纯CPU本地部署＋量化（onnx＋openvino）
2303_80720559的博客
03-08 1218
YOLO12 引入了一种以注意力为中心的架构，它不同于以往YOLO 模型中使用的基于 CNN 的传统方法，但仍保持了许多应用所必需的实时推理速度。该模型通过对注意力机制和整体网络架构进行新颖的方法创新，实现了最先进的物体检测精度，同时保持了实时性能。
Yolo V5，如何安装环境及依赖，使用CPU/GPU运行
weixin_45892846的博客
01-10 4903
yolov5，如何安装环境及依赖，使用CPU/GPU运行
yolov5使用GPU
weixin_44834086的博客
08-04 2万+
代码】yolov5使用GPU。
yolov5训练--GPU训练
MR_Colorful的博客
02-11 1375
在训练深度学习模型时，通常需要处理大量的数据。GPU的高带宽内存和并行处理能力使其能够更高效地处理大规模数据。，大大缩短训练时间。本文主要记录自己在使用GPU训练YOLOV5所遇到的问题和解决方案。
yolo5_gpu_class:yolov5 C ++ GPU版本，速度70msframe
03-11
yolo5_gpu_class yolov5 C ++ GPU版本，速度70ms / frame 网络使用cuda加速 net.setPreferableBackend(dnn::DNN_BACKEND_CUDA); net.setPreferableTarget(dnn::DNN_TARGET_CUDA); 常规函数使用UMat加速 Mat uFunction(frame) { UMat uimg; Mat result; frame.copyto(uimg) ####process uimg like img canny(uimg) ####process uimg like img uimg.copyto(result) return result } mat->umat 1.5ms umat版本函数有很多会被加速5,6倍 umat-mat 1ms
YOLOv5 gpu 训练自定义模型 训练
紫蝶侠的博客
09-15 6287
复制一份，比如为path: ../datasets/CHV_dataset # 数据所在目录train: images/train # 训练集图片所在位置（相对于path）val: images/val # 验证集图片所在位置（相对于path）test: # 测试集图片所在位置（相对于path）（可选）# 类别nc: 6 # 类别数量。
在window系统下跑yolo5【记录+心得】
祖国花朵的博文
05-20 1521
哈哈哈哈我会发疯的
yolov5使用GPU进行训练：cuda 12.1 + torch-2.3.0 + py38环境详细搭建
AperOdry的博客
05-18 4505
详细搭建yolov5的GPU训练环境
1.算法移植系列第一篇 yolov5环境GPU搭建 ，用GPU跑polov5算法
weixin_52448289的博客
10-13 1688
在环境搭建中踩了许多坑，yolov5环境的搭建需要依赖很多环境，用cpu跑很容易跑单张识别，用GPU跑却踩了很多坑，不过GPU环境搭建起来后续训练数据集我想就会快很对！GPU搭建第一步别着急。
【零基础玩转yolov5】yolov5训练自己的数据集（CPU训练+GPU训练）
罅隙的博客
10-04 2万+
2022年最新最全的yolov5训练自己的数据集教程，零基础的小白也可以快速上手。
一文教你使用租赁的GPU平台跑yolov5
Fireworkyanhuo的博客
03-14 5285
本篇文章是对笔者前几天学习过程的一个记录，鉴于这类文章较少，写出来方便后来者。本文侧重于yolov5的快速使用，原理部分概括较少，希望你看完本文章后也能成功进行目标检测。GPU租赁平台：https://www.autodl.com/homeyolov5官方代码：https://github.com/ultralytics/yolov5作者更改后代码：链接：https://pan.baidu.com/s/1oZWhHjAy_Wp4mg6doaSrkQ 提取码：f7re。
如何使用云端GPU训练yolov5（colab）
yuride的博客
11-12 3117
如何在云端GPU训练yolov5，并解决一些训练时遇到的问题
无人机上仅使用CPU实时运行Yolov5？(OpenVINO帮你实现)（上篇）
AMOVLAB(阿木实验室)
05-27 2075
Intel CPU在运行视觉导航等算法时实时性要优于Nvidia等平台，如Jetson Tx2，NX。而Nvidia平台在运行深度学习算法方面具有很大优势，两种平台各有利弊。但是，Intel OpenVINO的推出允许NUC平台实时运行深度学习模型，如目前最流行的目标检测程序Yolov5，这样就太好了，仅使用Intel无人机平台就可以完成各种任务。本教程将教你用Prometheus在Intel无人机平台部署Yolov5目标检测。 先来个速度测试，仅使用Intel CPU，没有模型压缩与剪枝等算法，也不依赖
yolo v5 环境配置（gpu版本）
weixin_48888528的博客
11-25 7906
yolo v5 缺陷检测项目环境创建
【学习总结】win10下yolov5使用GPU训练自己的模型，同时调用网络摄像头识别目标、学习指南与踩坑经验
热门推荐
m0_55317949的博客
08-24 3万+
yolov5学习经验，纯新手向，包学包会
基于x光的违禁品识别系统平台开发
最新发布
03-14
### 基于 X 光技术的违禁品检测系统开发方案与平台设计 #### 1. 技术背景与发展现状 随着城市化进程加快和技术进步，传统的基于人工判断的 X-Ray 安检方式已难以满足日益增长的需求。目前，基于 CT 成像的 X-Ray 安检设备已被广泛应用于交通枢纽中，其核心优势在于能够通过对不同材质物体的快速扫描重构出清晰的画面，并有效缓解物体间的遮挡问题[^1]。 然而，在高客流量场景下，仅依赖传统的人工判读效率低下且容易出现误判或漏检的情况。因此，引入智能化算法成为必然趋势。近年来，深度学习尤其是目标检测框架（如 YOLO 系列）被成功用于提升安检系统的自动化水平和精度[^2]。 --- #### 2. 系统架构概述 为了构建高效的基于 X 光的违禁品识别系统，整体架构可以分为以下几个部分： ##### (a) 数据采集模块 该模块负责获取原始 X 光图像数据。现代 X-Ray 设备通常支持数字化输出，这些数据可以直接传输到后续处理单元。对于某些老旧设备，则可能需要额外配置适配器以实现兼容性。 ##### (b) 预处理模块 由于 X 光成像特性复杂，预处理阶段至关重要。主要包括噪声去除、对比度增强以及尺寸标准化等操作。此外，还需考虑如何应对多层重叠结构带来的干扰效应——这可通过采用先进的注意力机制（DOAM 或 LIM 方法）加以改善[^4]。 ##### (c) 深度学习模型推理引擎 此为核心组件之一，选用适合实时应用场景的目标检测网络尤为重要。例如，YOLOv8 凭借其卓越的速度表现及较高的 mAP 值已成为当前主流选择之一[^3]。具体流程如下所示： ```python import torch from ultralytics import YOLO def load_model(model_path): model = YOLO(model_path) return model def detect_objects(image, model): results = model.predict(source=image, conf=0.5, iou=0.5) detections = [] for r in results: boxes = r.boxes.xyxy.cpu().numpy() classes = r.boxes.cls.cpu().numpy() scores = r.boxes.conf.cpu().numpy() detections.append({"box": boxes, "class": classes, "score": scores}) return detections ``` 上述代码片段展示了加载预训练 ONNX 模型并执行预测的基本逻辑。 ##### (d) 后端服务接口 考虑到实际部署环境多样性，建议搭建 RESTful API 形式的后端服务器以便灵活接入前端 GUI 应用程序或其他第三方工具。Flask 是一个轻量级 Python Web 框架选项： ```python from flask import Flask, request, jsonify app = Flask(__name__) @app.route('/detect', methods=['POST']) def process_image(): image_file = request.files['image'] # 调用前面定义好的函数完成检测任务... result = {"status": "success", "data": []} return jsonify(result) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000) ``` ##### (e) 用户交互界面(UI/UX Design) 最后一步便是精心打造直观易懂的操作面板供一线工作人员使用。WinForms 提供了一种简单快捷的方式来创建桌面应用程序；而如果倾向于跨平台解决方案的话，Electron 结合 React 则更为推荐。 --- #### 3. 关键挑战及其对策 尽管理论可行性强，但在实践过程中仍存在不少难点需逐一攻克： - **标注成本高昂**：高质量的数据集建立耗时费力。可尝试半监督或者弱监督策略降低人力投入。 - **泛化能力不足**：特定种类样本稀少可能导致过拟合现象发生。迁移学习或许能帮助缓解这一状况。 - **性能瓶颈显现**：当面对超高分辨率图片输入时计算资源消耗巨大。优化硬件加速手段比如 GPU/CPU 协同工作模式不失为良策。 ---
评论 24
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