Ubuntu下设置YOLOv11深度学习情况

一、确定显卡相干内容

1.检察cuDNN版本
在终端下,执行下面的命令

1. cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

复制代码

输出效果为:

1. #define CUDNN_MAJOR 8
2. #define CUDNN_MINOR 0
3. #define CUDNN_PATCHLEVEL 5
4. --
5. #define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)
7. #endif /* CUDNN_VERSION_H */

复制代码

从上面的信息可以看出这里使用的cuDNN版本是:8.0.5
2.检察GPU信息
执行下面的命令来检察GPU的型号

1. nvidia-smi

复制代码

效果如下所示:

1. +-----------------------------------------------------------------------------+
2. | NVIDIA-SMI 470.182.03   Driver Version: 470.182.03   CUDA Version: 11.4     |
3. |-------------------------------+----------------------+----------------------+
4. | GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
5. | Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
6. |                               |                      |               MIG M. |
7. |===============================+======================+======================|
8. |   0  NVIDIA GeForce ...  Off  | 00000000:01:00.0  On |                  N/A |
9. | 23%   39C    P8     7W / 180W |    476MiB /  8111MiB |      0%      Default |
10. |                               |                      |                  N/A |
11. +-------------------------------+----------------------+----------------------+
12.                                                                               
13. +-----------------------------------------------------------------------------+
14. | Processes:                                                                  |
15. |  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
16. |        ID   ID                                                   Usage      |
17. |=============================================================================|
18. |    0   N/A  N/A      1387      G   /usr/lib/xorg/Xorg                 26MiB |
19. |    0   N/A  N/A      1539      G   /usr/bin/gnome-shell               97MiB |
20. |    0   N/A  N/A      2046      G   /usr/lib/xorg/Xorg                222MiB |
21. |    0   N/A  N/A      2311      G   /usr/bin/gnome-shell               57MiB |
22. |    0   N/A  N/A      3796      G   ...AAAAAAAAA= --shared-files       67MiB |
23. +-----------------------------------------------------------------------------+

复制代码

上述代码可知,CUDA的最高版本为11.4。
二、离线下载和安装Pytorch

1.下载Pytorch包
根据上面的查到的CUDA版本和cuDNN版本来确定下载的pytorch版本。
首先辈入这个网址中，PyTorch Versions 选择与自己的CUDA相匹配的安装命令。但是由于torch比力大，如果网络欠好，轻易安装失败。所以保险起见，可以先将这些包先下载下来，再安装到相应的情况中。根据命令就可知，你需要下载的torch、torchaudio和torchvision这三个版本型号了。
然后，进入这个网址：打开后面的网址 Download PyTorch，再打开torch、torchaudio和torchvision这三个链接。
进入这三个链接后，使用快捷键Ctrl+F搜刮相应版本号。
   注意：
  "cuxxx":是指GPU版本；"cpxxx":是指Python版本；"cpu":是指CPU；
  "linux_x86_64":是指Linux操作体系；"win_arm64"是指Windows操作体系。
  2.离线安装pytorch
然后将刚才下载的三个文件复制到新创建的文件夹中（文件夹名字最好不要带有中文）。
在终端里，进入需要安装torch的情况。
再使用cd命令进入到存放torch的目录中。

1. cd 'path/save_torch_file'

复制代码

末了依次输入命令pip install 加上文件名，安装这三个包。
这次安装，也会下载一些东西。所以最好使用镜像源来安装，防止报错。

1. pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch-1.12.0+cu113-cp310-cp310-linux_x86_64.whl

复制代码

3.检验是否安装成功
在安装完torch、torchaudio、torchvision之后,输入三条命令检查是否安装成功。
   在该终端中先输入python，
  再输入import torch
  末了输入torch.cuda.is_available()
  若返回值为True，则成功安装pytorch离线版本，
输入命令pip list，可以检察已经安装的文件以及对应版本。末了，输入exit()退出python。
三、安装yolov11所需要的模块

1.使用下面这条命令安装yolov11所需要的模块

1. pip install -i https://pypi.tuna.tsinghua.edu.cn/simple ultralytics

复制代码

使用上述命令，会自动安装yolov11所需要模块的最新版本。
2.Python版本与numpy版本相匹配
如果，你使用的Python版本不高，可能，步伐会报错，说numpy不可用。
下面是一个简化的Numpy版本和Python版本的对应关系表，用于指导我们在差别Python版本下选择合适的Numpy版本：

Numpy版本	兼容的Python版本
1.26.0	3.9-3.12
1.25.0	3.9-3.11
1.24.0	3.8-3.11
1.23.0	3.8-3.10
1.22.0	3.8-3.10
1.21.0	3.7-3.9

   请注意，这只是一个简化的对应关系表，实际使用中还需要根据具体的项目需求和情况设置进行调整。此外，为了获取最新的版本信息，建议查阅Numpy和Python的官方文档或相干社区。
  1）卸载当前Numpy

1. pip uninstall numpy

复制代码

2）检察当前Numpy可用的版本号

1. pip index versions numpy

复制代码

3）安装特定版本号的Numpy

1. pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy==自己想要的版本号

复制代码

3.运行yolov11
  

1. from ultralytics.models import YOLO
3. model = YOLO('yolov11n.pt')
4. results = model.predict(source="ultralytics/assets/bus.jpg", conf=0.25, show=True, save=True

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。