YOLOv5 环境配置指南

系统要求

• Windows/Linux/MacOS
  
• NVIDIA GPU (推荐) 或 CPU
  
• Python 3.8+
  
• CUDA 11.8+ (如果使用 GPU)
  

安装步骤

1. 安装 Conda

如果还没有安装 Conda，请先从官网下载并安装 Miniconda。
2. 创建假造环境

1. # 创建名为 yolov5 的新环境，使用 Python 3.8
2. conda create -n yolov5 python=3.8 -y
3. # 激活环境
4. conda activate yolov5

复制代码

3. 安装 NVIDIA 驱动和 CUDA

• 访问 NVIDIA 驱动下载页面 下载并安装最新的显卡驱动
  
• 检查 NVIDIA 驱动安装：
  

1. # 查看显卡和驱动信息
2. nvidia-smi

复制代码

4. 安装 CUDA 和 cuDNN

• 访问 NVIDIA CUDA 下载页面 下载 CUDA 11.8
  
• 安装 CUDA 11.8，按照安装向导完成安装
  
• 访问 NVIDIA cuDNN 下载页面（须要注册 NVIDIA 账户）
  
• 下载 cuDNN v8.9.x 版本（与 CUDA 11.8 兼容）：
  
  
  
  • 访问 cuDNN 下载页面
    
  • 选择 “Download cuDNN v8.9.x for CUDA 11.x”
    
  • 下载实用于 Windows 的 zip 文件
    
  
  
• 解压下载的 cuDNN 文件，将文件复制到 CUDA 目次：
  

1. # 假设 cuDNN 解压在 D:\Downloads\cudnn_11.8
2. # 复制文件到 CUDA 目录
3. $CUDA_PATH = "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8"
4. $CUDNN_PATH = "C:\cuDNN\cudnn"
6. # 复制 bin 文件
7. Copy-Item "$CUDNN_PATH\bin\*" "$CUDA_PATH\bin"
9. # 复制 include 文件
10. Copy-Item "$CUDNN_PATH\include\*" "$CUDA_PATH\include"
12. # 复制 lib 文件
13. Copy-Item "$CUDNN_PATH\lib\*" "$CUDA_PATH\lib\x64"

复制代码

• 验证 CUDA 安装：
  

1. # 检查 CUDA 版本
2. nvcc --version
4. # 检查 CUDA 样例
5. cd "C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.8\1_Utilities\deviceQuery"
6. nvcc deviceQuery.cu -o deviceQuery.exe
7. .\deviceQuery.exe

复制代码

4. 安装 PyTorch

根据你的 CUDA 版本选择符合的安装命令：
对于 CUDA 11.8：

1. pip install torch torchvision torchaudio
2. --index-url https://download.pytorch.org/whl/cu118

复制代码

对于 CPU 版本：

1. pip install torch torchvision torchaudio

复制代码

4. 安装 YOLOv5

1. # 使用 ultralytics 包（推荐）
2. pip install ultralytics
4. # 或者从源码安装
5. git clone https://github.com/ultralytics/yolov5
6. cd yolov5
7. pip install --trusted-host pypi.org --trusted-host files.pythonhosted.org -r requirements.txt

复制代码

5. 验证安装

5.1 CUDA和cuDNN测试脚本

创建文件 test_cuda_cudnn.py：

1. import torch
2. import torch.backends.cudnn as cudnn
4. def test_cuda_cudnn():
5.     print("PyTorch version:", torch.__version__)
6.    
7.     # 检查CUDA是否可用
8.     print("\nCUDA是否可用:", torch.cuda.is_available())
9.     if torch.cuda.is_available():
10.         print("CUDA版本:", torch.version.cuda)
11.         print("当前CUDA设备:", torch.cuda.current_device())
12.         print("CUDA设备名称:", torch.cuda.get_device_name(0))
13.    
14.     # 检查cuDNN是否可用
15.     print("\ncuDNN是否可用:", cudnn.is_available())
16.     if cudnn.is_available():
17.         print("cuDNN版本:", cudnn.version())
18.         print("cuDNN是否已启用:", cudnn.enabled)
20. if __name__ == "__main__":
21.     test_cuda_cudnn()

复制代码

5.2 YOLOv5 GPU测试脚本

创建文件 test.py：

1. import torch
2. from ultralytics import YOLO
4. # 检查 CUDA 是否可用
5. print(f"CUDA is available: {torch.cuda.is_available()}")
6. print(f"PyTorch version: {torch.__version__}")
8. # 设置默认设备为GPU
9. device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
10. print(f"Using device: {device}")
12. # 如果有GPU，显示GPU信息
13. if torch.cuda.is_available():
14.     print(f"GPU: {torch.cuda.get_device_name(0)}")
16. try:
17.     # 加载改进版模型到GPU
18.     print("\n正在加载模型...")
19.     model = YOLO("yolov5su.pt")  # 使用改进的u版本模型
20.     model.to(device)  # 将模型移到GPU
21.    
22.     # 打印模型信息
23.     print("\n模型加载成功!")
24.     print(f"模型类型: {type(model)}")
25.     print(f"模型任务: {model.task}")
26.     print(f"模型使用设备: {model.device}")
27.    
28.     # 尝试进行一次简单预测来验证模型
29.     print("\n正在进行测试预测...")
30.     # 使用一个示例图像，如果没有，可以注释掉这行
31.     # results = model("path/to/test/image.jpg")
32.     # print("预测完成！结果:", results)
33.    
34. except Exception as e:
35.     print(f"\n错误: 模型加载或预测失败\n{str(e)}")

复制代码

5.3 cuDNN安装脚本

创建文件 setup_cudnn.ps1：

1. # Script to copy cuDNN files to CUDA directory
2. $CUDA_PATH = "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8"
3. $CUDNN_PATH = "C:\cuDNN\cudnn"
5. # Create directories if they don't exist
6. if (-not (Test-Path "$CUDA_PATH\bin")) {
7.     New-Item -ItemType Directory -Path "$CUDA_PATH\bin" -Force
8. }
9. if (-not (Test-Path "$CUDA_PATH\include")) {
10.     New-Item -ItemType Directory -Path "$CUDA_PATH\include" -Force
11. }
12. if (-not (Test-Path "$CUDA_PATH\lib\x64")) {
13.     New-Item -ItemType Directory -Path "$CUDA_PATH\lib\x64" -Force
14. }
16. # Copy bin files
17. Write-Host "Copying bin files..."
18. Copy-Item "$CUDNN_PATH\bin\*" "$CUDA_PATH\bin" -Force
20. # Copy include files
21. Write-Host "Copying include files..."
22. Copy-Item "$CUDNN_PATH\include\*" "$CUDA_PATH\include" -Force
24. # Copy lib files
25. Write-Host "Copying lib files..."
26. Copy-Item "$CUDNN_PATH\lib\*" "$CUDA_PATH\lib\x64" -Force
28. Write-Host "cuDNN setup completed!"

复制代码

常见题目

• CUDA 错误
  
  
  
  • 确保已安装精确版本的 NVIDIA 驱动
    
  • 确保 PyTorch 和 CUDA 版本匹配
    
  
  
• 内存不足
  
  
  
  • 减小批处理大小
    
  • 使用更小的模型（如 yolov5s 而不是 yolov5x）
    
  
  
• 依赖冲突
  
  
  
  • 建议在干净的假造环境中安装
    
  • 按照版本要求严格安装依赖
    
  
  

其他资源

• YOLOv5 官方文档
  
• PyTorch 安装指南
  
• CUDA 工具包下载
  

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。

继续阅读请点击广告