史上最详细yolov5环境配置搭建+配置所需文件

您所在的位置：网站首页 › pytorch搭建yolov5 › 史上最详细yolov5环境配置搭建+配置所需文件

史上最详细yolov5环境配置搭建+配置所需文件

#史上最详细yolov5环境配置搭建+配置所需文件| 来源: 网络整理| 查看: 265

yolov5的配置过程总体来说还算简单，但是网上大部分博客都没有仔细介绍具体步骤，本文将从最细节的层面记录yolov5环境配置的全过程

使用到的工具有 1.anaconda，pycharm 2.cuda10.2+cudnn-10.2-windows10-x64-v7.6.5.32+pytorch1.5.1-gpu+。。。。。。。。 ps（pytorch只要大于等于1.5.1即可，本文将在之后说明安装步骤）

所需资源：本博客免费提供所有win10的cuda和cudnn，百度云，提取码：elpt 以及权重文件百度云，提取码：j5pq 以及GitHub官方yolov5源码百度云，提取码：tyn6 以及官方提供的coco测试数据集百度云，提取码：ny9j

主要过程： 1.源码下载与解压 2.安装anaconda和pycharm 3.安装cuda+cudnn 4.安装pytorch1.5.1以及其他库 5.下载权重文件 6.实际测试

可根据所需查看对应的步骤

配置正式开始

第一步

本文采用的是yolov5官网提供的pytorch框架下的源码，点击红色区域即可下载源码压缩包在这里插入图片描述将其解压到一个不带中文字符的文件夹下（如果带有中文字符，会使OpenCV的cv2.imread()函数读取不了待检测图片或视频）

第二步

安装anaconda与pycharm两个开发工具从官网均可下载。 anaconda是一个管理用于python开发的包含不同库的虚拟环境的平台，可以高效的管理和创建适用于多个不同项目的project interpreter。安装完成自带一个根环境，路径在conda的安装目录下。进入后可以在环境管理页面创建新环境，新环境的路径在安装目录下的envs中存储，在pycharm中设置interpreter时需要找到所需环境的存储位置，interpreter设置选择conda enviroment，填写python.exe的路径即可完成编译环境与项目的绑定。之后进行虚拟环境设置，安装新的库的时候只需打开cmd，输入activate 环境名，即可进入环境目录，之后pip安装所需库即可。

首先从官网上下载anaconda-py3.7-64版本，勾选这两项方便环境配置。在这里插入图片描述等待anaconda安装完进入environment界面，点击create，将新环境命名为yolov5test，python版本选择python3.7，点击ok，等待自动生成初始环境，之后即可关闭anaconda

完成anaconda安装后，从官网下载pycharm，解压安装完成后创建工程，路径选择到之前解压源码的无中文字符路径，注意！！！！，创建完成后此处有红框标记的文件即为路径正确（也可先创建再解压到工程文件中）在这里插入图片描述之后进入pycharm中选择工程所需的interpreter

第三步

安装cuda10.2和cudnn-10.2-windows10-x64-v7.6.5.32因为本次使用pytorch1.5.1，对应的cuda为10.2(其实cuda≥10.1即可，只需将cudnn与cuda版本对应上就行)，ps（本人之前使用tf=1.14+cuda10.0进行深度学习开发，但是pytorch1.5.1需要安装新的cuda，故安装cuda10.2。下面给出这种情况的解决方法）第一步：下载双击运行，选自定义在这里插入图片描述第二步：不要选择visual studio integration，否则无法安装等待安装完成–约2分钟，期间若有GeForce experience失败则重复上述步骤即可

第三步：更改环境变量进入环境变量编辑页面，此时已经将cuda10.2安装到默认的NVIDIA cumputing toolkit路径下，需要将系统的环境变量修改为cuda10.2，把10.0的变量去掉。同一台电脑可以拥有多个不同版本的cuda，如果需要用低版本的cuda，只需要将系统环境变量修改为低版本，将高版本的删除即可。在这里插入图片描述新建环境变量

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\include C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\CUPTI\lib64 C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2\bin\win64 C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2\common\lib\x64

此时应该有如下两个变量，如果以前安装的有残存的cuda10.0的路径，删除即可在这里插入图片描述第四步：安装cudnn 将cudnn解压后，将其中的所有内容复制到以下路径中，ps（默认路径，可以直接用）

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

第五步：验证打开cmd，输入nvcc -V验证cuda是否安装成功，出现如下界面即为成功在这里插入图片描述

第四步

安装pytorch1.5.1以及其他库以管理员身份进入cmd，输入activate yolov5test进入环境目录下，输入

pip install torch===1.5.1 torchvision===0.6.1 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.douban.com/simple

使用豆瓣源安装，很多是使用清华源，但是清华源安装时容易超时而导致安装失败，有条件的可以翻墙直接安装，效果非常好。安装完成后再pycharm中创建文件，输入验证pytorch安装是否成功

import torch print(torch.cuda.is_available()) print(torch.__version__)

出现以下结果即为安装成功在这里插入图片描述其他库的安装建议根据requirement.txt文件逐个安装。。。清华源太容易崩了下面给出requirement.txt的内容

# pip install -U -r requirements.txt Cython numpy>=1.18.5 opencv-python torch>=1.5.1 matplotlib pillow tensorboard PyYAML>=5.3 torchvision>=0.6 scipy tqdm # pycocotools>=2.0 # Nvidia Apex (optional) for mixed precision training -------------------------- # git clone https://github.com/NVIDIA/apex && cd apex && pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" . --user && cd .. && rm -rf apex # Conda commands (in place of pip) --------------------------------------------- # conda update -yn base -c defaults conda # conda install -yc anaconda numpy opencv matplotlib tqdm pillow ipython # conda install -yc conda-forge scikit-image pycocotools tensorboard # conda install -yc spyder-ide spyder-line-profiler # conda install -yc pytorch pytorch torchvision # conda install -yc conda-forge protobuf numpy && pip install onnx==1.6.0 # https://github.com/onnx/onnx#linux-and-macos

可以根据下面的指令，依次输入以下命令安装相应的库：

pip install Cython pip install numpy pip install opencv-python pip install matplotlib pip install pillow pip install tensorboard pip install PyYAML pip install torchvision pip install scipy pip install tqdm 第五步

下载权重文件将下载的权重文件放入项目文件夹中！！！！注意是项目文件夹，而不是weights文件夹！！！！！！在这里插入图片描述

第六步

实际测试打开项目文件夹，找到inference，这里images存储测试数据，output存储测试结果，同样，测试数据名称不能带有中文字符在这里插入图片描述基本测试需要运行detect.py，pycharm中运行结果如下说明：测试数据可以是图片或视频，也可以是本机摄像头。本人使用i7-8750+1050Ti跑手机录像30~50FPS，效果还可以